task-oriented-dialogue

本文提出了一个使用BERT的可扩展多领域对话状态追踪框架，实现了零样本泛化，并在SGD数据集上提升了性能。

本文提出了一种方法，通过将端到端生成的任务型对话建模为约束满足问题（CSP），来自动检测其中的不一致性，在识别幻觉或不一致响应方面实现了高准确率。

TRACER通过分析部分对话，利用信念状态变化和文本表示预测任务型对话是否会失败，从而在全面崩溃之前发出早期预警。

本文研究了一种轻量级的基于提示的恢复方法，用于后端数据库调用失败时的LLM对话代理，表明Guided-Retry策略在六个模型家族上，将MultiWOZ的幻觉降低了50%，SGD降低了42%。

提出基于梯度的连接（GBC）方法，将多智能体LLM系统建模为计算图，并利用梯度信号将错误归因到特定智能体，从而更好地进行系统级优化。

ReacTOD提出了一种用于零样本对话状态跟踪的有界神经符号架构，采用带有确定性验证的自校正ReAct循环。它在MultiWOZ和Schema-Guided Dialogue基准上取得了最先进的结果，将联合目标准确率提升了多达14个百分点。