SIGIRMay, 2021

对话问答知识图谱中的改述式强化学习

PDF
TL;DR本研究提出了一种基于强化学习的模型 CONQUER，能从包含噪声的问题改写中学习如何回答自然语言问题，并在新提出的基准测试集 ConvRef 上展示了显著的性能提升。
conversational question answeringknowledge graphsreinforcement learningnatural language processingconvref
发现论文，激发创造
  • 基于知识图谱的对话式问答系统

    我们提出了一个基于强化学习模型的 CornNet，该模型利用大型语言模型生成的问题重述来改进对知识图谱中的多轮自然语言问题的回答，实验证明 CornNet 优于现有的 ConvQA 模型。

    Dec, 2023

  • 对话问答模型的强化重述生成之稳健训练

    通过我们提出的 REIGN 框架，我们通过多种步骤来解决面对表面形式变化的局限性学习环境，其中包括系统生成训练问题的改写，通过深度强化学习改善问答模型的性能，以及在一个基准测试集上训练模型并应用于另一个。我们通过大量多样的改写生成评测数据的方式对训练模型的鲁棒性进行了严格评估，结果显示，通过改写生成的训练方法的对话问答模型明显优于只使用金标准问答对进行标准训练的模型。

    Oct, 2023

  • 基于知识图谱的对话问答强化学习

    使用强化学习方法解决基于法律知识库的多轮问答中输入问题含糊不清的问题，测试结果证明了该方法的有效性。

    Jan, 2024

  • CONQRR：基于强化学习的检索型对话查询重写

    CONQRR 使用强化学习训练了一个新的查询重写模型，使得原本用于非对话查询的信息检索引擎能够在对话的语境下得到有效的应用，并在最近的 CQA 数据集中实现了最新的成果，同时对于领域外的对话和零查询重写监督具有可靠性。

    Dec, 2021

  • 问对问题：强化学习的主动问题重构

    本文介绍了一种称为 Active Question Answering 的基于强化学习的问题回答方法，通过探究黑盒 QA 系统并最大化回答质量来重新构筑问题，该方法在 Jeopardy! 等复杂问题数据集上表现出比其他基准模型更好的性能，并发现了与信息检索技术类似的策略。

    May, 2017

  • 知识图谱对话问答中的对比表示学习

    通过对话历史和领域信息进行对比表示学习，本文提出了一种基于对比表示学习的方法，用于无需黄金注释的弱监督下进行知识图谱路径排名。 实验结果表明，该方法在所有领域和整体上显着优于现有基线，排名指标相对于现有技术表现提高了 10 到 18 个百分点。

    Oct, 2022

  • 会话式问答中的加强问句重述技术

    使用强化学习训练重写模型，以 QA 反馈作为监督信号，能够有效提高抽取式和检索式问答中的性能，并且人工评估表明该方法能够生成更准确和详细的重写，优于人工注释。

    Oct, 2022

  • ConvGQR: 面向对话搜索的生成查询改写

    本文提出了 ConvGQR 的框架，该框架基于生成预训练语言模型，一种用于查询重写，另一种用于生成潜在答案。通过结合两者，ConvGQR 可以产生更好的搜索查询。此外，我们提出了一种知识注入机制来优化查询重写和检索，实验表明 ConvGQR 的有效性。

    May, 2023

  • 在知识图谱上使用明智的上下文扩展进行对话式问答

    CONVEX 是一种无监督方法，可以通过维护对话上下文使用到目前为止看到的实体和谓词并自动推断缺失或模棱两可的问题部分，回答知识图上的不完整问题。

    Oct, 2019

  • 加强型动态推理在对话问句生成中的应用

    本文提出了一个新的任务 —— 对话式问题生成（CQG），研究了如何使用增强动态推理（ReDR）网络来生成针对给定文本和对话历史的问题，使用 QA 模型提供反馈，经过与各种基线和模型变量的比较得出新方法的有效性，并将其应用于 SQuAD 的多轮问答对话中。

    Jul, 2019