2021AAAI_DialogXL: All-in-One XLNet for Multi-Party Conversation Emotion Recognition：情感识别，更改模式后可更好识别到情感,文中有dialog-aware self-attention可以借鉴
2021AAAI_Infusing Multi-Source Knowledge with Heterogeneous Graph Neural Network for Emotional Conversation Generation：通过引入异质图进行Encoding-Decoding，引入graph数据的方法可借鉴 https://github.com/XL2248/HGNN
2021AAAI_A Theoretical Analysis of the Repetition Problem in Text Generation：解释了seq2seq一句话中某个片段被反复生成的问题，我在观察样例的时候只要过拟合也常常会出现这样的问题
5_2021AAAI_NULL_2_Yinhe Zheng#Zikai Chen_Stylized Dialogue Response Generation Using Stylized Unpaired Texts:没有看懂这篇文章怎么做的，但是看了生成结果很好、指标提升非常多，决定仔细研究下（已读：使用GPT，交替训练可增加样本（增加样本的方式为通过beam search增多），所以指标提升，该文章最有意思的一点就是pair和unpair的交替训练方式，这样会让训练效果更好）
2020EMNLP_Consistent Response Generation with Controlled Specificity:是下一篇论文的延续，为了生成的文本既要相关，又要特别，做了一个post和response的矩阵，通过矩阵中值的差异大小和PMI共现度来控制，完成response，之前有个想法是情感生成时，post和response的词是有关联度的，而且通过实验也验证了这一点，所以可以借鉴其生成response的方法（已读：通过接入PPMI计算post和response之间的关系，模型非常简单，但是非常有效果，说明共现的词对文本回复生成非常有用！）
2019ACL_Relevant and Informative Response Generation using Pointwise Mutual Information：由于上一篇论文有空，准备仔细研究
7_2020AAAI_Yinhe Zheng#Rongsheng Zhang_A Pre-training Based Personalized Dialogue Generation Model with Persona-sparse Data：之前分析样例的时候发现生成的回复都非常general，完全谈不上个性化，该文章推出了一些个性化的特征，文中的case列出了地域相关的case,所以想借鉴下他们是如何达到个性化的，从而解决问题
2020ICLR_Sequential Latent Knowledge Selection for Knowledge-Grounded Dialogue：文中提出了如何从知识图谱中选择需要的知识，并将知识和上下文融合起来生成，这个过程可以用到对话生成里面，首先抽取post中必要的知识，然后将必要的知识转化、融合到response生成中，过程和方法可以借鉴
其他：
KDD2021 https://kdd.org/kdd2021/accepted-papers/index
IJCAI2021 https://ijcai-21.org/program-main-track/
