Sep, 2023

追问信息获取问题生成

PDF
TL;DR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。
follow-up question generationreal-world information-seekingfollowupqg datasetquestion generation modelsquestion complexity
发现论文，激发创造
  • 基于知识的问答方法：对话式调查中追问问题生成

    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。

    May, 2022

  • 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

  • 突破常规：针对答案评估的差异关注型问题生成

    人际交流通常涉及到交流双方之间的信息缺口。

    Jul, 2023

  • 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

  • 通过摘要信息生成问题提高无监督问答

    本文提出一种基于无监督学习的问句生成方法，使用自由可得的新闻标题数据通过句法分析、命名实体识别和语义角色标注启发式技术转换成合适的问题，然后与原始新闻文章一起训练一个端到端的神经问句生成模型；通过在多项数据集上的实验证明，该方法生成的人工智能数据集用于训练问答模型，其性能远超过基于无监督学习的问答模型的现有成果。

    Sep, 2021

  • 通过动态多任务学习实现连续问题生成

    本文提出了 “连续问题生成” 任务，使用动态多任务框架生成逻辑相关的问题 - 答案对，全面考虑准确性、覆盖范围和信息量，并使用求精法（reranking）提高提问质量，提升 NLP 相关任务的效果。

    Nov, 2022

  • 评估问题生成需要更多参考文献

    提出使用 GPT-3 等大型语言模型来进行问题生成并采用多个（伪）参考答案进行评估，以更全面地评估 QG 技术潜力的方法。实验结果表明，使用多个参考答案进行 QG 评估比使用单个参考答案更为有效，并且更能与人类评估相符合。

    May, 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

  • GTM: 一种生成式三元模型用于对话问句生成

    提出了一种具有层次变化的生成模型，利用潜在变量在三个层次上表示三元组的共享背景，并在 PQ 和 QA 对中使用一对多的语义映射，以解决在开放领域中生成问题的相关问题，并在大规模 CQG 数据集上进行实验验证。结果表明，该方法在流畅度、连贯性和多样性方面显著提高了问题质量。

    Jun, 2021

  • 面向过程、模块化和多功能的教育问答生成

    本文重点探索了如何以教育为目的改进自动化问题生成技术，通过了解教师如何构建问题并确认增强 NLP 模型的触点来提高其可用性。作者观察到教师在使用 NLP 系统来支持问题设计方面表现出极大的兴趣，但实践中仍未被广泛采用。因此，作者呼吁建立强调教师控制和可解释性的有效人 - NLP 协作的 QG 系统，提供过程支持，使用模块化设计，处理各种输入来源。

    Apr, 2022