在对话式人工智能领域，目标导向的主动对话系统旨在引导对话朝着预定义的目标推进，并在此过程中主动提供建议。这类系统的核心范式是首先规划一条合理的对话路径，然后引导语言模型（如预训练模型或大型语言模型）根据该路径生成回复。然而，对话路径规划本身是一个新颖且尚未被充分探索的问题。
针对这一挑战，来自Xinyue Kang等作者的研究团队提出了一种名为前向聚焦的双向伪孪生网络（Forward-Focused Bidirectional Pseudo-Siamese Network, FF-BPSN）的新模型，专门用于面向预定义对话目标的对话路径规划。该模型采用两个相同的基于Transformer的解码器，分别负责前向规划和后向规划。前向规划从当前对话状态出发预测未来的对话路径，而后向规划则从目标状态反向推导，以提供全局性的指导。
为了有效融合双向规划的信息，FF-BPSN引入了一个前向聚焦模块。该模块在整合双向信息的同时，优先考虑前向信息，从而构建出最终的前向对话路径。这样得到的路径既受益于双向规划带来的全局视野，又确保了前向规划的主导地位，使路径更符合实际对话的推进方向。
在获得规划好的对话路径后，研究者利用该路径来指导语言模型生成具体的对话响应。这种“先规划、后生成”的策略，使得语言模型能够在路径的引导下，生成更加连贯且目标导向的回复。
为了验证FF-BPSN的有效性，研究团队在DuRecDial和DuRecDial 2.0两个公开数据集上进行了大量实验。实验结果表明，FF-BPSN在对话路径规划任务上达到了最先进的性能，并且显著提升了目标导向主动对话系统的整体效果。这证明了双向规划与前向聚焦相结合的策略在对话路径规划中的优越性。
该论文已被ICASSP 2026接收，展示了其在计算语言学及相关领域的学术价值。未来，这种规划方法有望进一步扩展到更复杂的对话场景中，推动主动对话系统的发展。