SIGIRJun, 2020

Guided Transformer：在对话搜索中利用多个外部来源进行表示学习

PDF
TL;DR本文使用 Guided Transformer 模型结合外部信息源的一种新颖的注意机制，在搜索澄清问题的情境下丰富了 Transformer 网络学习的表示，并将其用于下游任务，包括文档检索和澄清问题的选择，并证明这种方法较竞争基准表现有显著提高。
发现论文，激发创造
  • 估计明确问题和回答对于对话式搜索的有用性

    我们提出了一个简单而有效的方法来处理对澄清问题的回答，并介绍了一个对用户提出的问题和回答进行有用性评估的分类器，将有用的问题或回答附加到对话历史中，并传递给基于 transformer 的查询重写模块，实验证明与非混合主动的基线相比有显著改进。此外，所提出的方法缓解了使用不实用的问题和回答时性能下降的问题。

    Jan, 2024

  • 开放领域信息寻求对话中的澄清问题

    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

  • 利用潜在知识和对话上下文实现真实世界会话问答

    该论文提出了一种基于神经检索 - 阅读 (Retrieval-Reading) 系统和基于 TFIDF 的文本摘要技术来利用先前的谈话历史中的潜在知识的方法，以便更好地回答问题，并且实验证明该系统显著提高了回答质量。

    Dec, 2022

  • 通过强化学习来控制会话式搜索的风险

    提出了一种风险感知的对话式搜索代理模型，平衡了回答用户查询和提出澄清问题的风险，并通过强化学习策略在 MSDialog 数据集上得到了比非风险感知基线更好的结果。

    Jan, 2021

  • 分析和学习用户交互以进行搜索澄清

    本文研究了在搜索引擎中使用澄清问题以揭示查询意图的用户交互，并提出了一种基于用户交互数据的学习表示澄清问题的模型，用于重新排列自动生成的澄清问题，同时在点击数据和人工标注数据上进行评估，展示了提出方法的高质量。

    May, 2020

  • 基于答案的对抗训练生成澄清问题

    本文介绍了一种生成澄清问题的方法，该方法通过建模假设答案作为潜在变量来引导生成更有用的澄清问题，并在两个数据集上评估了其性能。

    Apr, 2019

  • 通过用户模拟评估混合式倡议对话搜索系统

    本文介绍了 USi，一种用于自动评估对话式搜索系统的用户仿真器，可自动回答与搜索主题有关的澄清问题，包括单轮和多轮交互。通过一系列实验证明了 USi 对人类生成的答案是相当的。

    Apr, 2022

  • 对话式搜索的零样本澄清性问题生成

    本文提出了使用零样本学习生成澄清问题的方案，并且通过问句模板和查询维度来引导澄清问题的生成，实验结果表明，该方法在自然度、有效性和多样性等方面表现优异。

    Jan, 2023

  • 在信息交互对话系统中使用深度匹配网络和外部知识进行响应排名

    该研究提出了一种在深度神经匹配网络上利用外部知识进行响应排序的学习框架，实验证明，该方法在包括商业数据在内的三个信息寻求对话数据集上优于各种基线模型，包括多个深度文本匹配模型和多轮对话响应选择的最新方法。

    May, 2018

  • NTES_ALONG 在 Convai3 挑战中的澄清问题选择系统

    该论文介绍了 NetEase 游戏 AI 实验室团队参加 2020 年 Search-oriented Conversational AI（SCAI）EMNLP 研讨会 ClariQ 挑战的情况。我们提出了一个澄清问题选择系统，它由回复理解、候选问题回忆和澄清问题排名组成。在实验中，我们使用 RoBERTa 模型来理解用户的回复，并使用 BM25 模型回忆候选问题。在澄清问题排名阶段，我们基于 ELECTRA 提出了两种模型，并将它们的输出概率相加，选择概率最高的问题作为澄清问题。实验结果表明，我们的模型在文档相关性任务中表现优异，且在问题相关性任务中达到了最佳的 recall@[20,30] 指标，而在第二阶段的多轮对话评估中，我们的系统获得了所有文档相关性度量的最高分数。

    Oct, 2020