针对目标的对话任务的先前研究缺乏关键观念，该观念在以目标为导向的人工智能代理的背景下进行了深入研究。在这项研究中，我们提出了目标引导的开放域对话计划（TGCP）任务的任务，以评估神经对话代理是否具有目标对话计划的能力。使用TGCP任务，我们研究了现有检索模型和最新强生成模型的对话计划能力。实验结果揭示了当前技术面临的挑战。
translated by 谷歌翻译
避免产生与先前环境相矛盾的响应是对话响应产生的重大挑战。一种可行的方法是后处理，例如从最终的n-最佳响应列表中滤除矛盾的响应。在这种情况下，n-最佳列表的质量极大地影响了矛盾的发生，因为最终响应是从该最佳列表中选择的。这项研究定量地分析了使用N最佳列表的一致性对神经反应产生模型的上下文矛盾意识。特别是，我们将极性问题用作简洁和定量分析的刺激输入。我们的测试说明了最近的神经反应产生模型和方法的矛盾意识，然后讨论了它们的性质和局限性。
translated by 谷歌翻译