EMNLPOct, 2022

会话式问答中的加强问句重述技术

PDF
TL;DR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。
conversational question answeringrewriting modelreinforcement learningextractive qaretrieval qa
发现论文，激发创造
  • 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

  • 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

  • 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

  • CoQAR: CoQA 上的问题重写

    提出使用问句重写作为预处理步骤来弥补人类在对话中提出的带上下文依赖但自动化系统无法理解的问题，使用人工标注的 CoQAR 语料库进行了实验，证明了该方法对于提高对话问答模型性能的有效性。

    Jul, 2022

  • 关于问题重述系统对不同难度问题的鲁棒性研究

    该研究论文研究了对话式问答（CQA）中问题重写（QR）的鲁棒性，通过自动分类问题并度量其重写难度，进行人工评估，最终提出一种学习框架以增强 QR 系统对不同难度问题的鲁棒性，并在实验中验证了该框架的性能优于基准模型。

    Nov, 2023

  • 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

  • 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

  • 评估重述问题对于对话式问答的重要性

    本文研究了基于神经语言模型、以及不同的信息提取和答案生成方式，在特定的搜索导向的对话人工智能任务中，如何通过代表问题上下文的不同重写模块，从背景知识库中提取信息，生成知识回答，最终取得了最佳表现，并在分析中强调了对话上下文的重要性。

    Jan, 2022

  • 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

  • 基于知识图谱的对话式问答系统

    我们提出了一个基于强化学习模型的 CornNet，该模型利用大型语言模型生成的问题重述来改进对知识图谱中的多轮自然语言问题的回答，实验证明 CornNet 优于现有的 ConvQA 模型。

    Dec, 2023