标签
本文提出了一种方法，通过将用户画像和领域知识共同建模为对话场景，并采用意图-关键词桥接技术来预测未来的对话轮次，从而增强目标导向的主动对话系统。
文章重点介绍了一项研究更新，描述了一种交互模型，该模型能够在没有内置对话管理系统的情况下，追踪讲故事过程中的认知状态，如思考、让步和自我纠正。
KTH Royal Institute of Technology 的研究人员提出了一种两阶段框架，通过在对话转写文本上微调 LLMs，并结合对比学习构建联合嵌入空间，以实现对对话附和信号与语境的精准对齐。结果表明，相较于以往方法，该方案显著提升了语境与附和信号的匹配检索性能。
STRIDE-ED 是一个为同情心对话系统设计的策略驱动推理框架，它结合了结构化的多阶段推理、数据精化管道和两阶段训练（有监督微调 + 多目标强化学习）来改进情感理解和回复生成。该框架在开源大语言模型上的自动评指标和人工评估上都展示了一致的改进。
Context-Agent提出了一种新颖框架，将多轮对话历史建模为动态树结构而非扁平序列，更好地捕捉自然对话的层级性和分支性特征。该论文引入NTM基准来评估非线性对话场景，并展示了在各种LLM上的任务完成率和令牌效率的提升。
CoLabScience介绍了一个用于生物医学研究的主动型大语言模型助手，它使用PULI（正无标签学习干预）这一新颖的强化学习框架，在科学讨论中自主进行干预，决定何时以及如何提供上下文感知的见解。该工作还包括BSDD，一个新的基准数据集，由基于PubMed文章的模拟研究对话和干预点组成。
论文页面 - 单轮对话中多种支持策略的建模及其在情感支持对话中的应用 来源：[https://huggingface.co/papers/2604.17972](https://huggingface.co/papers/2604.17972) ## 摘要 多策略话语生成方法通过在单个回复中整合多种支持策略，优于单策略方法。情感支持对话（ESC）旨在通过生成移情性和支持性对话来帮助处于困境中的个体。