消除模糊问题的澄清树：使用增强检索的大型语言模型进行回答

EMNLPOct, 2023

消除模糊问题的澄清树：使用增强检索的大型语言模型进行回答

Tree of Clarifications: Answering Ambiguous Questions with Retrieval-Augmented Large Language Models

Gangwoo Kim, Sungdong Kim, Byeongguk Jeon, Joonsuk Park, Jaewoo Kang

TL;DR通过构建一个问题的歧义消除树，利用外部知识以及少样本提示进行递归，能够在解决开放领域问题回答时提供综合的长格式答案，优于现有基准模型并超过全监督模型的效果。

Abstract

Questions in open-domain question answering are often ambiguous, allowing multiple interpretations. One approach to handling them is to identify all possible interpretations of the ambiguous question (AQ) and to

open-domain question answering ambiguous question tree of clarifications few-shot prompting long-form answer

发现论文，激发创造

利用包含问题、答案和修订的数据库回答模棱两可的问题

通过利用来自维基百科的明确问题数据库，我们提出了一个新的用于回答含糊问题的最新方法，在含糊问题的多个答案的总结中，我们的方法在回收率指标上提高了 15%（相对改进），在评估从预测输出中消除模糊问题的指标上提高了 10%。从生成的问题数据库检索还可以在多样的篇章检索中取得巨大的改进。

Aug, 2023

评价树：基于树结构的动态迭代检索框架对多跳问题回答

使用大型语言模型的知识链式推理能力解决多跳问题回答，引入检索增强的动态检索框架 Tree of Reviews，在多个数据集上实验结果显示比基线方法达到最先进的检索和响应生成性能。

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

回答知识密集型复杂问题的概率思维推理

大型语言模型（LLMs）能够用链式思维推理回答知识密集型复杂问题，但当模型的参数中缺少所需的知识或不是最新的时，它们往往会产生错误的推理步骤。本文提出一种新方法：概率思维树推理（ProbTree）。在开放领域的情境下，我们利用外部知识检索加强链式推理，通过解决从叶节点到根节点的问题，考虑问题分解和回答的置信度，在推理过程中消除了负面检索问题，并借助层次结构对非叶节点进行全局推理，从而弥补了局部错误。实验证明，我们的方法在三个复杂问答数据集上显著优于最先进方法，证明了概率思维树推理的有效性。

Nov, 2023

模型分析与评估：歧义问题回答

研究 Question Answering 模型回答模糊问题的挑战，探讨模型 / 数据扩展和自动评估指标对模型质量的影响，并研究模型答案的证据根据，旨在提供有关当前方法局限性的宝贵见解。

May, 2023

利用生成式证据融合和往返预测解答模糊问题

本文介绍了一种名为 Refuel 的模型，用于回答开放式问题中的多义性及其解决方案，该模型可同时预测多个答案，使用多个来源的证据进行适应性预测，并提出一种名为往返预测的方法，迭代地生成额外的解释用于验证和过滤不正确的答案，最终提供解释模型输出。该模型在 AmbigQA 数据集上实现了新的最先进性能，并在 NQ-Open 和 TriviaQA 上展示了有竞争力的性能。

Nov, 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

AmbigQA：回答模糊的开放领域问题

本研究介绍了一项新的开放领域问题解答任务 AmbigQA，其中包括找到每个可能的答案，然后为每个答案重写问题以解决歧义问题。我们还构建了 AmbigNQ 数据集，该数据集涵盖了来自 NQ-open 的 14,042 个问题，并发现 NQ-open 中超过一半的问题存在不同源头的歧义，并且我们提出了一种强大的基础模型，表明我们的新任务和数据将支持未来的研究工作。

Apr, 2020

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

CLAM: 基于生成式语言模型的模糊问题选择性澄清

CLAM 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。

Dec, 2022