本研究提出了“多面心理技能”对话数据集，以解决大型语言模型在复杂社交对话中的技能规划问题。新模型“Thanos”显著提升了对话质量，促进了利社会行为。

NormSAGE框架通过语言模型和自我验证机制，发现多语言文化规范，提升对话的相关性和准确性。研究表明，ChatGPT在不同文化背景下的适应性存在差异，尤其偏向美国文化。NormDial和ReNoVi等项目构建了高质量的对话数据集，探讨中美社会规范差异，并提出评估大型语言模型文化适应性的工具，强调文化包容性在AI中的重要性。

本文探讨了领域外意图识别的方法，提出了基于Transformer的编码器微调、广义意图发现（GID）和自适应软伪标签（ASoul）等新技术。这些方法在多个对话数据集上显著提升了意图检测性能，尤其在多轮对话和超出预定义领域的任务中表现突出。通过对比学习和大型语言模型的应用，分析了当前技术的优势与挑战，为未来研究提供了指导。

本文介绍了多个大型语言模型（LLM）及其数据集的研究进展，如UltraChat、LMSYS-Chat-1M和WildChat，强调了通过对话数据集进行微调的有效性。同时，探讨了生成式语言模型在可视化和教育中的应用，提出了AI Threads和StuGPTViz等工具，以提升用户交互和教学效果。

本文探讨了如何利用大型语言模型（LLM）构建角色扮演对话数据集，并评估其角色扮演能力。研究开发了RoleBench和RoleInteract基准，涵盖多种角色和对话示例，揭示个体与群体互动中的表现差异。此外，提出了通过MORTISE改进角色对齐能力的策略，强调LLM在模拟人类行为和社会信念方面的潜力。

本文介绍了一种创建多模态对话数据集的方法，强调文本与图像结合的重要性。研究表明，上下文感知的理解方式可以提升对话质量。此外，提出了个性化展示和基于图片的对话任务，展示了多模态系统在推荐和解释生成中的潜力。

本文探讨了利用大型语言模型（LLM）生成个性化对话的研究，创建了多个对话数据集，如PersonalDialog和CPED，强调个性和情感在对话生成中的重要性。研究表明，基于个性特征的对话模型在多种情境下表现优越，推动了对话人工智能的发展。

该文综述问答系统研究，涵盖：利用众包与Wizard of Oz构建DoQA对话数据集；探究人类数据对模型性能的影响；提出英语问句生成框架；构建意图感知FAQ检索系统；采用深度迁移学习联合检索与阅读理解；基于BERT实现无监督FAQ检索；综述知识图谱等来源的算法；梳理评估指标与数据集；调查法律问答；回顾2016至2021年研究，指出多轮问答已取代单轮问答成为主导。

该文汇总了多项AI协作与交互研究，包括CoDraw协作绘画游戏及评估指标、基于知识图谱的交互式小说生成、语音驱动的实时演示系统RealityTalk、互动速写问答实现多轮信息交流、用大模型生成代码与VR内容、深度神经网络笔画视觉交流、知识图谱交互叙事数据集、Data@Hand健康数据探索、众包文字冒险游戏研究场景对话，以及Talk The Walk定位对话数据集与MASC机制。

该文介绍了文本风格转换在自然语言处理中的应用，重点研究了各种方法的内容保留能力。作者创建了一个对话数据集，包含必须保留的预定义语义槽。作者对无监督方法 LEWIS 进行改进，在任务中取得了明显的优势。

本文介绍了Conversation Chronicles数据集，用于实现长期对话设置。作者提出了一个对话模型ReBot，它表现出高人类参与度的长期上下文理解能力。