أظهرت الدراسات الحديثة نجاحًا ملحوظًا في أنظمة المحادثة الهدفية النهائية. ومع ذلك، تعتمد معظم النماذج العصبية على كميات كبيرة من البيانات التدريبية، والتي تكون متاحة فقط لعدد محدود من المجالات، مثل التوجيه والجدولة. هذا يجعل من الصعب التوسع في مجال جديد يمتلك بيانات مُعلّمة محدودة. ومع ذلك، هناك قليل من الأبحاث التي تتناول كيفية الاستفادة الفعّالة من البيانات المتوفرة في جميع المجالات لتحسين الأداء في كل مجال، بما في ذلك المجالات غير المرئية. ولتحقيق هذا الهدف، نستعرض أساليب تُمكّن من الاستفادة الصريحة من المعرفة المتعلقة بالمجال، ونُقدّم شبكة مشتركة-خاصة (Shared-Private Network) لتعلم المعرفة المشتركة والمعرفة الخاصة. بالإضافة إلى ذلك، نُقدّم شبكة دمج ديناميكية جديدة (DF-Net) التي تستطيع تلقائيًا استغلال العلاقة بين المجال المستهدف وكل مجال آخر. تُظهر النتائج أن نموذجنا يتفوّق على الطرق الحالية في المحادثة متعددة المجالات، محقّقًا أفضل أداء مُسجّل في الأدبيات. علاوةً على ذلك، وباستخدام كميات قليلة من البيانات التدريبية، نُظهر قدرة النموذج على الانتقال (transferability)، حيث يتفوّق على النموذج السابق الأفضل بمتوسط 13.9%.