整合外部知识进入对话生成中的关键性为提高回应的正确性，在这里，证据片段作为有根据的支持性知识碎片。本文提出一种有效地整合证据到知识密集型对话生成中的框架，通过引入自动证据生成框架和证据聚焦的注意机制，扩大了证据的潜力。实验结果表明，提出的方法在模型性能方面优于其他基准（+3~+5 分），在连贯性和事实一致性方面有进一步的分析证实。

Sep, 2023

该研究研究了面向知识密集型任务的检索增强式生成模型的多任务训练。通过利用知识密集型生成的独特属性：查询 - 答案对与知识库中项目的联系，我们提出了一种清理训练集的方法。使用关联性标签的置信度阈值过滤训练样本，以确定是否可以通过知识库回答一对查询 - 答案。我们在 KILT 基准测试的七个组合任务上对单个 FiD 生成器进行训练。实验结果表明，我们简单而有效的方法大大改进了两个强烈不平衡的任务上的竞争基线，并在其余任务上显示出较小的改进或无显着退步。此外，我们表明，与增加的模型容量一样，我们的关联标签采样的多任务训练能够良好地缩放，并在 KILT 任务的五项中取得了最佳结果。

Jul, 2022

研究使用生成模型在开放领域问答中的表现，发现利用文本段落检索可以显著提高性能，证明生成模型擅长聚合和组合多个段落的证据，同时在 Natural Questions 和 TriviaQA 开放式基准测试中取得最好的结果。

Jul, 2020

我们提出了一种迭代检索 - 生成的协作框架，该框架可以利用参数化和非参数化知识，帮助找到正确的推理路径，并显著提高大型语言模型的推理能力。实验结果显示我们的方法优于之前的基线模型，在单跳和多跳问答任务上取得了显著的改进。

Oct, 2023

通过结合知识图谱的方式，构建了一种自然语言推断模型，用于从网络的多样化来源中检索能够有效证明陈述错误的证据，从而进一步改进了证据检索系统。

Sep, 2021

本研究针对开放领域的文本生成任务提出一种使用后验引导检索的监督方法，能够更好地训练检索器、并能够在生成过程中更好地借助语料库语境信息进行生成。实验结果显示，相较于现有方法，文本检索成功率和生成器输出性能均有所提高。

Oct, 2021

该论文提出了 GERE，一个通过生成方式检索证据的系统，以解决事实验证中的技术难题，即减少存储和计算成本，捕捉文档和句子之间的依赖关系，动态地选择每个索赔的相关证据，超越现有技术基线。

Apr, 2022

我们提出了一种创新的端到端生成框架，用于多模态知识检索，通过利用大型语言模型 (LLMs) 作为虚拟知识库，使用对象感知的前缀调优技术来指导多粒度视觉学习，将多粒度视觉特征对齐到 LLM 的文本特征空间中，通过统一格式的指令数据构建模型训练，最后，我们提出了知识引导的生成策略，在解码步骤中施加先验约束，促进独特知识线索的生成，在三个基准测试中实验证明，与强基线方法相比，在所有评估指标上均取得了 3.0% 到 14.6% 的显著改进。

Jan, 2024

本文研究了多跳问答模型中的偏差问题，提出了一种不需要额外昂贵的注释即可学习证据性的新方法，在 HotpotQA 验证了该方法准确，鲁棒性强。

Jul, 2021

本文总结了我们在第九届对话系统技术挑战赛（DSTC 9）第一轨中的工作，我们提出了一种基于层次分类和序列嵌入的检索和生成方法，以实现针对任务导向对话中利用非结构化文本信息的回答生成。

Feb, 2021