询问缺失与有用之处：利用全局知识改进澄清问题生成

ACLApr, 2021

询问缺失与有用之处：利用全局知识改进澄清问题生成

Ask what's missing and what's useful: Improving Clarification Question Generation using Global Knowledge

Bodhisattwa Prasad Majumder, Sudha Rao, Michel Galley, Julian McAuley

TL;DR提出了一个模型，用于生成在给定语境中识别有用的缺失信息的澄清问题，该模型通过学习区分全局和本地视图之间的差异，并训练模型识别有用信息并生成问题，实验证明该模型的表现优于基线模型。

Abstract

The ability to generate clarification questions i.e., questions that identify useful missing information in a given context, is important in reducing ambiguity. Humans use previous experience with similar contexts to form a global view and compare it to the given context to ascertain w

clarification questions ambiguity reduction contextual information machine learning natural language processing

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

在适当时候提出正确问题：人类和模型不确定性对于提问澄清问题的指导

通过团队对话任务为实验平台，研究模型不确定性与人类不确定性之间的关系，提出了一种基于模型不确定性估计的生成澄清问题的方法，并与其他几种方法进行对比，显示出在任务成功方面有显著的改进。

Feb, 2024

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

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

突破常规：针对答案评估的差异关注型问题生成

人际交流通常涉及到交流双方之间的信息缺口。

Jul, 2023

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

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

关键词驱动的多样化和具体化澄清问题生成

研究了利用 CQGen 提高电子商务网站产品描述的效果，提出了 Diverse CQGen 和 KPCNet 模型，可以更准确地生成问题，提高消费者体验。

Apr, 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

一般编程语言中代码生成的澄清问题

通过收集并提出一个名为 CodeClarQA 的新数据集，研究人员证实使用澄清问题可以有效解决自然语言描述中模糊不清的部分，从而提高生成的可执行程序代码的准确性。

Dec, 2022