EMNLPApr, 2020

AmbigQA：回答模糊的开放领域问题

PDF
TL;DR本研究介绍了一项新的开放领域问题解答任务 AmbigQA，其中包括找到每个可能的答案，然后为每个答案重写问题以解决歧义问题。我们还构建了 AmbigNQ 数据集，该数据集涵盖了来自 NQ-open 的 14,042 个问题，并发现 NQ-open 中超过一半的问题存在不同源头的歧义，并且我们提出了一种强大的基础模型，表明我们的新任务和数据将支持未来的研究工作。
发现论文，激发创造
  • 在开放域问答中提出澄清问题以处理歧义

    提出了一种基于澄清问题的开放领域问答方法，首先使用 InstructGPT 和手动修订生成澄清问题的数据集 CAMBIGNQ，然后设计了一系列任务和合适的评价指标，在模糊性检测和基于澄清问题的问答方面取得了 61.3 F1 和 40.5 F1 的成果。

    May, 2023

  • 利用包含问题、答案和修订的数据库回答模棱两可的问题

    通过利用来自维基百科的明确问题数据库，我们提出了一个新的用于回答含糊问题的最新方法，在含糊问题的多个答案的总结中，我们的方法在回收率指标上提高了 15%（相对改进），在评估从预测输出中消除模糊问题的指标上提高了 10%。从生成的问题数据库检索还可以在多样的篇章检索中取得巨大的改进。

    Aug, 2023

  • 利用生成式证据融合和往返预测解答模糊问题

    本文介绍了一种名为 Refuel 的模型，用于回答开放式问题中的多义性及其解决方案，该模型可同时预测多个答案，使用多个来源的证据进行适应性预测，并提出一种名为往返预测的方法，迭代地生成额外的解释用于验证和过滤不正确的答案，最终提供解释模型输出。该模型在 AmbigQA 数据集上实现了新的最先进性能，并在 NQ-Open 和 TriviaQA 上展示了有竞争力的性能。

    Nov, 2020

  • 模型分析与评估：歧义问题回答

    研究 Question Answering 模型回答模糊问题的挑战，探讨模型 / 数据扩展和自动评估指标对模型质量的影响，并研究模型答案的证据根据，旨在提供有关当前方法局限性的宝贵见解。

    May, 2023

  • 通过迭代提示回答模棱两可的问题

    AmbigPrompt 是一种在回答模糊问题时处理现有方法缺陷的模型，通过将回答模型与提示模型迭代地整合，自适应地追踪阅读过程，逐步触发回答模型来构成不同且相关的答案。此外，作者还开发了一种特定任务的预训练方法，极大提高了该框架的性能，同时比竞争方法使用更少的内存并具有较低的推理延迟。

    Jul, 2023

  • PAQA：面向主动开放式检索的问题回答

    为了解决会话式搜索系统中存在的问题，本文提出了 PAQA，这是 AmbiNQ 数据集的扩展，通过考虑用户查询和文档中存在的歧义，生成相关的澄清问题，并评估各种模型以及检索过程对歧义检测和澄清问题生成的影响。

    Feb, 2024

  • 对话式通用问题解答的多方面改进

    本文提出了一种用于对话式问答的多方面改进框架，通过 KL 散度正则化、后处理程序和课程学习策略等三个方面的改进，有效地解决了开放域问答过程中的一系列问题，并在公开数据集 OR-QuAC 上展现了比同类模型更好的性能表现。

    Apr, 2022

  • 无需问题示例的开放领域澄清问题生成

    通过提出一个视觉基础的问题 - 回答模型框架，使用期望的信息量增益优化来产生极性澄清问题以消除人机对话中的误解，从而展示了该模型在目标导向的 20 个问题游戏中与人工回答者一起提出的问题如何提高交流成功率。

    Oct, 2021

  • ASQA：事实问题遇见长篇回答

    本文提出了一个名为 ASQA 的任务，旨在回答需要深入解释的问题，并提出了一个在 ASQA 上测量表现的可靠度量标准，以及释放了一个新的数据集，用于解决长期问答任务中仍然存在的高质量数据缺乏和答案质量定义模糊的问题。

    Apr, 2022

  • 从文本中回答具有不同推理步骤的开放领域问题

    通过使用单个多任务 transformer 模型，我们设计了一个统一的系统，可以迭代地检索支持事实，重新排序它们，并从所有检索的文档中预测答案，从而回答各种需要不同数量的检索步骤的开放领域问题。我们构建了一个新的基准测试 BeerQA，并证明我们的模型在现有基准测试和这个新基准测试上都表现出有竞争力的表现。

    Oct, 2020