CONQRR：基于强化学习的检索型对话查询重写

EMNLPDec, 2021

CONQRR：基于强化学习的检索型对话查询重写

CONQRR: Conversational Query Rewriting for Retrieval with Reinforcement Learning

Zeqiu Wu, Yi Luan, Hannah Rashkin, David Reitter, Hannaneh Hajishirzi...

TL;DRCONQRR 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。

Abstract

Compared to standard retrieval tasks, passage retrieval for conversational question answering (CQA) poses new challenges in understanding the current user question, as each question needs to be interpreted within the dialogue context. Moreover, it can be expensive to re-train well-esta

passage retrieval conversational question answering query rewriting reinforcement learning state-of-the-art results

发现论文，激发创造

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

开放式检索对话式问答

本文提出一种名为 ORConvQA 的交互式检索问答方法，通过基于 Transformers 的检索器、排序器和阅读器，实现在大规模语料库中检索答案并提取答案以构建功能性的交互式检索系统，并创建了 OR-QuAC 数据集以促进 ORConvQA 的研究。实验证明可学习的检索器对 ORConvQA 至关重要，在所有系统组件中启用历史建模可以显著提高系统性能，排序器组件提供了正则化效果并有助于模型性能的提升。

May, 2020

通过问题重述使开放域问答变为对话

介绍一个新数据集，用于在对话上下文中重新提问问题，提供了对问题改写、网页检索和阅读理解的指标。通过组合先进的问题重写模型和开放域 QA 的竞争模型，该方法显示出了 QReCC 数据集的效力，并证明了该设置的困难性和大量改进的空间。

Oct, 2020

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

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

面向会话问答的问题重写

本论文介绍了一种分解对话问答任务的方法，包括问题重写和问题回答。通过引入一种新的对话 QA 架构和一个问题重写模型，证明了这种方法在 TREC CAsT 2019 建议检索数据集上已经达到了最新的技术水平，并在 QuAC 数据集中优于我们的基准模型。这个问题重写模型在两个数据集上的性能接近于人类的表现，而对话 QA 任务的终端性能差距主要是由于回答中的错误导致的。

Apr, 2020

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

多阶段对话式篇章检索：融合术语重要性估计和神经查询重写的方法

论文提出两种对话查询重构方法：基于词频的重构和使用预训练序列到序列模型生成人类可理解的自然查询。两种方法的优点、缺点和不同行为进行了详细的定量和定性分析，并提出将它们的输出与相互排名融合结合使用，从而实现了最先进的检索效果，NDCG@3 相对于 TREC CAsT 2019 的最佳提交有 30％的提高。

May, 2020

自适应查询重写：通过会话答案的边际概率对齐重写器

AdaQR 是一个框架，用于训练具有有限重写注释和完全没有段落标签的查询重写模型，通过从种子数据集中只使用～10% 的重写注释进行微调精简大型语言模型，然后利用这些模型为每个查询实例生成重写候选，并通过条件概率对这些候选进行检索者权重评估，这被用作优化重写器的奖励，进一步使用直接偏好优化 (DPO) 的过程进行优化，实验结果表明 AdaQR 不仅增强了具有有限注释要求的领域内重写器的功能，而且有效地适应了领域外数据集。

Jun, 2024