May, 2022

基于知识的问答方法：对话式调查中追问问题生成

PDF
TL;DR本研究提出一种基于知识驱动的 follow-up question 生成框架，结合知识选择模块和生成模型来提高开放域 follow-up question 的质量。实验证明，与 GPT 基线相比，该框架在客观评估和人类实验评估中都具有更好的性能。
conversational surveysfollow-up questionsknowledge-driven frameworkgenerative modelevaluation metrics
发现论文，激发创造
  • 学习检索有吸引力的后续查询

    本文提出了一种基于检索的系统和相关数据集，用于预测用户可能有的下一个问题，可以主动地帮助用户进行知识探索，引导用户进行更有意义的对话。该检索系统是在一个包含 14000 多组信息获取对话的数据集上进行训练的，该数据集包含一个有效的后继问题和一组无效候选问题。我们在 Follow-up Query Bank 数据集上训练了排名模型，并比较了监督和无监督方法的结果。结果表明，我们可以通过将有效后继问题排在更高的位置上进行检索，但进一步的知识构建可以提高排名性能。

    Feb, 2023

  • 追问信息获取问题生成

    人们对问题的追问是出于好奇心驱动，这反映出创造性的人类认知过程。我们引入了现实世界信息寻求型追问问题生成（FQG）任务，旨在生成追问问题，以深入理解初始问题和答案。通过收集 Reddit 论坛上提供对开放式问题的通俗解释的超过 3K 个真实世界（初始问题，答案，追问问题）元组，我们构建了 FOLLOWUPQG 数据集。与现有数据集不同，FOLLOWUPQG 中的问题使用了更多多样化的语用策略来寻求信息，并显示了更高级的认知技能（如应用和关联）。我们评估了当前的问题生成模型在生成追问问题方面的效果，探索如何基于分步演示生成特定类型的追问问题。我们的结果验证了 FOLLOWUPQG 作为一个富有挑战性的基准，因为模型生成的问题虽然足够，但在信息量和复杂性方面远离了人类提出的问题。

    Sep, 2023

  • 在谈话式推荐中学习如何提出恰当的问题

    该研究提出了一种基于知识图谱的问答生成系统（KBQG），通过识别结构化知识图中最相关的关系，以更细的粒度建模用户偏好，进而生成个性化的解决方案，从而实现更准确的推荐。在真实数据集的实验中，该系统的表现优于现有的对话型推荐系统。

    May, 2021

  • 针对无答案对话问题生成的提问内容和提问方式建模

    SG-CQG 是一个用于回答无答案设置下如何生成与要求自然的对话的方法，它通过语义图和具有明确控制信号的分类器来解决 what-to-ask 和 how-to-ask 的挑战。同时，提出了新的评估指标 Conv-Distinct，并在实验中取得了最先进的表现。

    May, 2023

  • 知识驱动对话中的问题生成：可解释性和评估

    在知识驱动的对话背景下，我们探讨问题生成的可解释性和评估。通过在规划为基础的摘要生成工作的启发下，我们提出了一个模型，该模型先顺序预测一个事实，然后再预测一个问题，与仅生成问题的标准模型相比，虽然推理要求更高，但我们的方法在相关性、事实性和代词化方面的详细无参照模型行为评估方面表现相当。

    Apr, 2024

  • 通过查询生成实现信息对话生成中的动态知识检索

    为了实现对话系统的智能回答，文中设计了 DRKQG，该系统能够根据上下文信息，在没有提前准备知识库的情况下通过搜索引擎检索相关知识，并利用生成模块同时考虑上下文信息和检索知识生成回答，实验结果表明，该模块在自动评估和人工评估两方面取得了优异的成绩。

    Jul, 2022

  • 借助对话性视觉问题生成展开谈话

    该论文提出了一种基于视觉故事的两阶段框架，用于生成启发性问题，经人工评估，其产生的问题比其他基线模型更容易引起交流，成为理想的交流启动器。

    May, 2022

  • 面向开放领域知识驱动对话的社交常识引导搜索查询生成

    通过整合主题跟踪、常识回答生成和指令驱动的查询生成，我们的研究提出了一种新的方法来生成由社交常识引导的互联网搜索查询，在 passsive 用户交互中能够生成相关、具体和有吸引力的搜索查询，从而提供更加引人入胜的回应。

    Oct, 2023

  • 针对高层次文本理解的好奇心问题生成

    介绍了 INQUISITIVE 数据集，该数据集包含～19,000 个问题，是读者在阅读文档时 elicited 的。与现有数据集相比，INQUISITIVE 的问题更加注重文本的高层（语义和话语）理解，并根据基于 GPT-2 的问题生成模型评估了该任务的挑战性，强调了上下文对生成 INQUISITIVE 问题的重要性。

    Oct, 2020

  • 使用对话信息奖励实现目标导向的视觉对话：我应该问什么？

    本文研究了目标导向的视觉对话任务，提出了一种结合强化学习和正则化信息增益的端到端目标导向视觉对话系统，并在 GuessWhat？！数据集上进行了测试，取得了优于当前最先进模型的显著结果。

    Jul, 2019