CLAM: 基于生成式语言模型的模糊问题选择性澄清

Dec, 2022

CLAM: 基于生成式语言模型的模糊问题选择性澄清

CLAM: Selective Clarification for Ambiguous Questions with Generative Language Models

Lorenz Kuhn, Yarin Gal, Sebastian Farquhar

TL;DRCLAM 是一个用于解决自然语言生成系统在回答用户含糊问题时存在的正确性问题的框架，可以发现并提示用户澄清问题，自动评估对话质量，并提升语言模型在混合问题上的准确率。

Abstract

Users often ask dialogue systems ambiguous questions that require clarification. We show that current language models rarely ask users to

dialogue systems language models clarification ambiguity clam

发现论文，激发创造

CLAMBER: 在大型语言模型中识别和澄清模糊信息需求的基准

通过引入 CLAMBER，本研究构建了一个评估大型语言模型（LLMs）的基准，发现当前 LLMs 在识别和澄清用户不确定查询方面的实用性有限，同时提出进一步研究如何提高 LLMs 的质量，解决冲突并增加可信度的指导。

May, 2024

必要时澄清：通过与语言模型的交互解决多义性

我们提出了一个任务无关的框架来通过询问用户澄清问题来解决模型中的歧义，我们的方法在确定何时需要澄清、确定要问的澄清问题以及通过澄清获得的新信息方面都取得了显著成果，并对模型的不确定性进行了估计，我们的方法在准确识别需要澄清的预测方面始终优于现有的不确定性估计方法，使系统能够在仅允许在 10％的示例上进行澄清时将性能提升两倍。

Nov, 2023

CLARINET：为检索任务扩展语言模型以提问澄清问题

这篇研究论文介绍了 CLARINET，一种能够通过选择问题来最大化正确候选项准确性的系统，在信息检索环境中提出澄清问题的问题，相对于传统的启发式方法提高了 17% 的检索成功率，并相对于简单提示的大型语言模型提高了 39%。

Apr, 2024

在开放域问答中提出澄清问题以处理歧义

提出了一种基于澄清问题的开放领域问答方法，首先使用 InstructGPT 和手动修订生成澄清问题的数据集 CAMBIGNQ，然后设计了一系列任务和合适的评价指标，在模糊性检测和基于澄清问题的问答方面取得了 61.3 F1 和 40.5 F1 的成果。

May, 2023

通过强化学习在对话中进行交互式问题澄清

本文提出了通过增强学习模型来澄清模糊问题的方法，包括分割问题、选择标签、确认意图和构建适当的响应。模型基于深度政策网络的强化学习模型，通过真实用户点击数据评估并展示了显著的性能提升。

Dec, 2020

一般编程语言中代码生成的澄清问题

通过收集并提出一个名为 CodeClarQA 的新数据集，研究人员证实使用澄清问题可以有效解决自然语言描述中模糊不清的部分，从而提高生成的可执行程序代码的准确性。

Dec, 2022

ConvAI3: 为开放域对话系统生成澄清问题（ClariQ）

本文详细介绍了对话系统提出澄清问题的挑战（ClariQ），为了解决信息查找中遇到的模糊问题，提供通用的评估框架以评估混合倡议式对话。

Sep, 2020

将语言模型调整至明确处理歧义

为了处理口语中存在的不完整或模糊的话语，本论文提出了一种方法来使大型语言模型在面对模糊输入时能够处理，并通过实验证明，经过微调的模型在处理模糊输入的同时，在明确的问题上仍然具有竞争力。

Apr, 2024

ClarQ：一个大规模且多样化的澄清问题生成数据集

通过基于自监督的新型启动框架，从 stackexchange 中提取 post-comment 元组，利用神经网络分类器构建了一个多样化、大规模的澄清问题数据集。将该数据集应用于问题回答的下游任务的实验表明其效用，并放出名为 ClarQ 的含 173 个领域的 2M 个实例的数据集。其目的是促进澄清问题生成的研究，以提升对话和问题回答系统。

Jun, 2020

通过检索有区别的澄清问题解决意图的歧义

提出了一种生成 “区分性问题” 的新方法，以解决用户查询中的歧义，用于任务导向型对话系统中的意图检测，而无需昂贵的领域特定澄清问题的标注数据。

Aug, 2020