KDDJun, 2023

学习在对话式搜索中与先前交谈内容的关联

PDF
TL;DR本文提出了一种新的方法来选择与当前查询相关且有用的历史查询，采用伪标记法进行注释，结合多任务学习框架并在微调过程中进行选取模型和检索模型联合训练，提高对话式搜索中检索效果。
conversational searchquery expansionpseudo-labelingmulti-task learningretrieval effectiveness
发现论文，激发创造
  • 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

  • 限制性监督下对话式搜索的查询解答

    本文探讨了对话式检索中多轮段落检索的关键挑战，提出了一种基于双向 Transformer 的神经查询解决模型，即 QuReTeC，该模型可用于解决当前转换查询的任务，并演示了其在 TREC CAsT 数据集上的有效性。

    May, 2020

  • 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

  • 历史感知的对话密集检索

    通过上下文消噪的查询重构和根据历史转折的实际影响自动挖掘监督信号，提出了一种历史感知对话稠密检索系统，实验证明了 HAConvDR 在长对话中具有改进的历史建模能力。

    Jan, 2024

  • 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

  • 电商领域基于上下文的问题匹配的迁移学习

    本研究旨在解决多轮信息检索对话系统中先前存在的困难与不足，通过提出一种基于卷积神经网络的高效且有效的多轮会话模型，进而研究转移学习以在资源贫少的领域中提高性能，最终将模型应用于阿里巴巴的工业聊天机器人 AliMe Assist 中，取得了显著的性能提升。

    Jun, 2018

  • 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

  • 利用潜在知识和对话上下文实现真实世界会话问答

    该论文提出了一种基于神经检索 - 阅读 (Retrieval-Reading) 系统和基于 TFIDF 的文本摘要技术来利用先前的谈话历史中的潜在知识的方法，以便更好地回答问题，并且实验证明该系统显著提高了回答质量。

    Dec, 2022

  • 随时间学习词语相关性

    通过抽取一种从纵向数据集中提取出的时间关系模型，该篇论文为查询扩展任务提供了一种算法框架，以实现对搜索系统中的历史内容的更精确的识别和检索。

    Jul, 2017

  • 最佳问题询问：将大型语言模型与检索器在对话式搜索中的偏好进行对齐

    通过 RetPO 框架，使用 Retrievers' Feedback 构建了一个大规模数据集，属于对话语境下的问题重述，并通过该数据集对较小的语言模型进行了微调，从而在两个最新的对话式搜索基准测试中实现了最新、显著超越包括 GPT-3.5 在内的现有基准。

    Feb, 2024