ACLJun, 2021

通过优化 Levenshtein 距离学习如何提出对话问题

PDF
TL;DR本研究旨在将自包含问题简化为面向对话的问题，利用最小编辑距离优化了 Reinforcement Iterative Sequence Editing（RISE）框架并提出了一种基于 Dynamic Programming 的迭代 Reinforce 训练（IRT）算法和采样过程，结果表明 RISE 在两个基准数据集上表现显著优于现有的最大似然估计（MLE）方法，并且在未知数据上具有很好的泛化能力。
发现论文，激发创造
  • 基于序列到序列结构和预训练语言模型的会话问句改写

    本文研究了对话问句改写技术，使用了序列到序列模型和预训练语言模型来提高模型的表现，通过在 CANARD 数据集 (内领域) 和 TREC 2019 CAsT 数据集 (外领域) 进行的实验，结果表明 T5 模型在参数更少的情况下表现最好。

    Apr, 2020

  • 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

  • 对话问答知识图谱中的改述式强化学习

    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。

    May, 2021

  • 问句改写对话式问答有帮助吗？

    本文探讨了问题改写在对话问答中的有效性，通过使用强化学习方法来集成 QR 和 CQA 任务，但是发现该方法与端到端基线效果相当，并分析了失败的原因并描述了在 CQA 中利用 QR 的难度。

    Apr, 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

  • ISEEQ: 使用动态元信息检索和知识图谱生成信息检索问题

    提出了一种名为 ISEEQ 的新方法，利用知识图谱和深度生成对抗强化学习等技术从短语查询中生成高质量的信息请求问题，从而推进对话式信息查询技术的发展，并在多个数据集上进行了详细的实验和人工评估。

    Dec, 2021

  • CHIQ：上下文历史增强对话式搜索中查询重写的提升

    研究论文通过利用开源大规模语言模型（LLMs），在改进会话搜索中，特别是对于歧义查询的查询重写方面，研究了如何有效地部署。通过引入 CHIQ，一个利用 LLMs 在查询重写之前解决会话历史中歧义的两步方法。与先前的研究不同，该方法主要使用闭源 LLMs 直接从会话历史生成搜索查询。在五个广为接受的基准测试中，我们证明了在大多数设置下 CHIQ 能够取得最先进的结果，并表现出与利用闭源 LLMs 的系统高度竞争的性能。我们的研究首次尝试利用开源 LLMs 进行会话搜索，作为对商业 LLMs 的主要依赖的竞争性替代选择。数据、模型和源代码将在接受时公开发布于该 https URL。

    Jun, 2024

  • 联邦提示和思维链推理以提高 LLMs 的回答能力

    通过使用自我一致性和思维链技术来改善云端大型语言模型中的分布式同义问题，可以显着提高所有用户查询的准确性。

    Apr, 2023

  • 保持问题对话式：使用结构化表示解决对话问答中的依赖性

    本文提出了一种名为 CONVSR 的新型框架，用于捕获并生成中间表示作为会话提示，以增强 QA 模型的能力以更好地解释不完整的问题，并讨论了如何利用该任务的优势设计更具吸引力和雄辩的对话代理程序。

    Apr, 2023

  • 学习解决对话依赖：一种面向对话问答的一致性训练框架

    本文提出了一种名为 ExCorD 的新型框架，旨在解决会话依赖性的问题，通过通过生成自包含的问题和使用一种基于一致性的正则化器来训练 QA 模型，显著提高了 QA 模型的性能。

    Jun, 2021