本研究提出ImplexConv数据集，包含2500个示例，旨在解决开放领域对话中的个性化和隐式推理不足问题。引入TaciTree框架，以提升大语言模型在长期对话中的推理能力。

本研究提出了一种新方法，通过指令微调和高级提示策略，提升对话状态跟踪性能，采用变分图自编码器建模用户意图，且无需预定义本体，在开放领域对话中表现优异。

本文提出了一种新颖的基于特征的框架，结合特征方法和神经网络的优势，以评估对话的建设性。该框架定义了一组可解释的语言特征，训练出比传统模型更强的预测规则，并揭示用户行为与主观评估之间的关系。同时，研究了共情评估框架及其与对话满意度的相关性，提出了自动对话共情评估的分类器，并探讨了开放领域对话系统的交互式评估方法。

本文介绍了一种名为LLM-Eval的方法，用于对使用大型语言模型的开放领域对话进行多维自动评估。LLM-Eval通过设计基于单个提示的评估方法，可以在单个模型调用中评估会话质量的多个方面。对LLM-Eval在各种基准数据集上的评估表明，它比最先进的评估方法更高效和适应性强。同时，该分析还强调了选择适当的LLM和解码策略的重要性。LLM-Eval为评估开放领域对话系统提供了一种多功能且强大的解决方案，可以简化评估过程并在不同场景中提供一致的性能。