ACLJun, 2022

对话历史表示在对话问答中的鲁棒性：一项综合研究及新的基于提示的方法

PDF
TL;DR本文介绍了一个对于会话式问题回答系统的历史建模方法的鲁棒性研究。通过大规模的实验检测，发现高测试评分未必能转化为鲁棒性，而不同的方法在不同的设置下表现极不相同。因此，设计了一种基于提示的历史建模方法，实现了在不同环境下的强鲁棒性。希望本研究的结论会引起人们对鲁棒性的重视，从而创造出更好的会话式问题回答系统。
conversational question answeringrobustnesshistory modelingprompt-based approachevaluation
发现论文，激发创造
  • 使用历史回答嵌入的 BERT 模型进行对话式问答

    提出了一种简单而高效的历史答案嵌入方法，能够无缝地将对话历史整合到基于 BERT 的对话问答 (ConvQA) 模型中，对不同设置下的不同历史轮次进行分析并在 ConvQA 中提供新的见解。

    May, 2019

  • 对话式问答的提示引导式复制机制

    在本文中，我们提出了一种可插拔的抽取方法，引入了一种新的提示引导复制机制，以提高提取回答的流畅性和适切性。我们的方法使用提示来链接问题和答案，并利用注意力来指导复制机制，验证提取回答的自然性并进行必要的编辑，以确保回答流畅且适切。三个提示包括问题 - 理由关系提示、问题描述提示和对话历史提示，增强了复制机制的性能。我们的实验证明这种方法有效促进了自然回答的生成，并在 CoQA 挑战中取得了良好的结果。

    Aug, 2023

  • 用图引导的多轮检索方法解决面向对话的开放领域问答

    本文提出了一种基于图模型和关联反馈的检索方法，用于连续的问答交互中提高检索效率和准确性。实验结果显示，与当前流行的方法相比，该方法大幅提高了问题回答的 F1 得分。

    Apr, 2021

  • 面向会话问答的注意力历史选择

    本研究提出一种新的解决方案，涉及三个方面（位置历史答案嵌入法、历史注意机制、多任务学习），用于通过卷积式问题应答来理解和回答当前问题，并通过多项实验评估证明该模型的有效性。

    Aug, 2019

  • 通过合成问题生成实现对话问答的一致性训练

    通过模型化历史信息，在对话问答（QA）环境中高效地处理用户查询至关重要。本文引入了一种新的模型无关方法，称为 CoTaH（一致性训练增强历史），利用合成问题增强历史信息，并通过一致性训练训练模型，使推理过程能够鲁棒地处理无关的历史信息。我们的模型在建模对话 QA 设置时，首次使用问题生成作为数据增强的形式，并通过引入一种常见的建模错误，提出了一个新的基准模型和对比实验，表明了结果的提升，特别是在处理包含大量历史背景的问题时。源代码可在我们的 GitHub 页面找到。

    Apr, 2024

  • 去除黄金标准：重新评估对话问答

    本文对目前最先进的对话问答系统进行了首次的大规模人类评估，发现人类与机器之间的对话存在显著差异。此外，基于预测历史的问题重写机制能够更好地与人类判断相一致。通过研究各种建模策略，讨论了构建更好的对话问答系统的未来方向。

    Dec, 2021

  • 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

  • 会话问答内容理解的实证研究

    该论文研究基于对话问答模型中标准数据集对模型的语义理解能力的反应度以及对话内容对模型回答问题的影响，并指出了 QuAC 和 CoQA 两个常用数据集的一些 潜在问题及其存在的偏见。

    Sep, 2019

  • 会话上下文线索：以个性化和历史为例的反应排序

    利用 Reddit 数据集，我们在多方参与、自由结构的多轮对话中研究了不同结构元素对话建模的影响，并训练了深度神经网络来预测对话的下一句。我们发现，对话的上下文和参与者的历史信息都对预测准确性有所提高。

    Jun, 2016

  • 学习在对话问答中选择相关历史转折

    提出了一个名为 DHS-ConvQA（Conversational Question Answering 中的动态历史选择）的框架，该框架通过生成相关历史转折中的上下文和问题实体，并根据它们与问题之间的相似性进行修剪，使用基于注意机制的方法重新排列修剪过的术语，并通过二分类任务突出显示重排的对话历史中的术语，以提高系统性能，并且证明了选择相关转折比重写原始问题更有效的实证结果。

    Aug, 2023