QRFA:信息获取对话的数据驱动模型
本文介绍了 FlowQA,一种基于 Flow 机制的会话式机器阅读理解模型,该模型可利用中间表示来整合之前的问答对,将序贯指令理解降为会话式机器阅读理解,并且在多个任务中表现出卓越的性能。
Oct, 2018
本论文提出了一种 Query-bag 基于伪相关反馈的框架(QB-PRF),通过构建与查询相关的查询包作为伪信号来指导信息检索对话,采用对比学习训练无监督方式中的同义查询选择模块(QBS),通过多维注意力计算融合同义查询的查询包融合模块(QBF),验证其在两个预训练骨干模型(BERT 和 GPT-2)上的优越性能。实验结果表明,QB-PRF 框架在两个基准数据集上的表现比强基线模型更好。
Mar, 2024
本研究提出了一个基于 Web 的 UI 框架,通过整合可视化和分析工具来提供有关 QA 模型性能的信息,并帮助 QA 模型研究人员改进其模型的性能。
Dec, 2018
本文提出了一种显式建模对话推理信息增益的方法来更好地理解对话流程和理解其背后的上下文,其在 QuAC 和 SCONE 数据集上取得最先进性能,展示了该方法的有效性和其推广到不同 QA 模型和任务的能力。
Aug, 2019
本文研究了通过人类用户反馈不断改进提取问题回答(QA)系统的方法,并设计和部署了一个迭代方法,在多种设置下进行实验以扩大对随时间反馈学习的理解。我们的实验显示,从不同数据环境下的用户反馈中能够有效提高提取 QA 模型,包括适应领域的潜力。
May, 2023
本文介绍了在开放领域信息寻求对话系统中提出澄清问题的任务,并提出了一个离线评估方法和一个命名为 Qulac 的数据集,以便评估模型的性能,其实验表明优质问题有助于提高信息检索的效率,并提出一个由三个部分构成的检索框架,该模型显著优于竞争基线。
Jul, 2019
本文提出了一种基于检索的系统和相关数据集,用于预测用户可能有的下一个问题,可以主动地帮助用户进行知识探索,引导用户进行更有意义的对话。该检索系统是在一个包含 14000 多组信息获取对话的数据集上进行训练的,该数据集包含一个有效的后继问题和一组无效候选问题。我们在 Follow-up Query Bank 数据集上训练了排名模型,并比较了监督和无监督方法的结果。结果表明,我们可以通过将有效后继问题排在更高的位置上进行检索,但进一步的知识构建可以提高排名性能。
Feb, 2023
本文中,我们提出了一个新的数据集和用户模拟器 e-QRAQ(可解释的查询、推理和回答问题),该数据集测试了代理的读取模糊文本的能力,通过提问来回答挑战性问题并解释其问题和答案的推理。我们使用端到端记忆网络来训练一个神经结构,以成功地生成对问题的预测和部分解释,并发现预测和解释的质量之间存在着很强的相关性。
Aug, 2017
本文提出了一种基于图模型和关联反馈的检索方法,用于连续的问答交互中提高检索效率和准确性。实验结果显示,与当前流行的方法相比,该方法大幅提高了问题回答的 F1 得分。
Apr, 2021
本文基于之前的对话式搜索会话的观察模式,提出了两种经济学模型,即首次反馈和后续反馈,探讨了反馈对初始或后续查询的改进效率以及提供该反馈的相对成本与反馈 / 请求的数量之间的关系,以此为对话式搜索提供了理论框架。
Jan, 2022