Nov, 2023

必要时澄清：通过与语言模型的交互解决多义性

PDF
TL;DR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。
ambiguitiesinteractionai assistantsuncertainty estimationclarifying interactions
发现论文，激发创造
  • 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

  • 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

  • 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

  • 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

  • 无需问题示例的开放领域澄清问题生成

    通过提出一个视觉基础的问题 - 回答模型框架，使用期望的信息量增益优化来产生极性澄清问题以消除人机对话中的误解，从而展示了该模型在目标导向的 20 个问题游戏中与人工回答者一起提出的问题如何提高交流成功率。

    Oct, 2021

  • 在适当时候提出正确问题：人类和模型不确定性对于提问澄清问题的指导

    通过团队对话任务为实验平台，研究模型不确定性与人类不确定性之间的关系，提出了一种基于模型不确定性估计的生成澄清问题的方法，并与其他几种方法进行对比，显示出在任务成功方面有显著的改进。

    Feb, 2024

  • 通过强化学习来控制会话式搜索的风险

    提出了一种风险感知的对话式搜索代理模型，平衡了回答用户查询和提出澄清问题的风险，并通过强化学习策略在 MSDialog 数据集上得到了比非风险感知基线更好的结果。

    Jan, 2021

  • 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

  • 通过自然语言推理对澄清问题进行排名

    教机器提出澄清问题对于自然语言处理系统非常有用，本研究使用 Siamese BERT 模型，将 NLI 的特征运用在 StackExchange 数据集问题排序上，取得了相对于现有基线模型高达 40% 至 60% 的性能提升。

    Aug, 2020

  • 分析和学习用户交互以进行搜索澄清

    本文研究了在搜索引擎中使用澄清问题以揭示查询意图的用户交互，并提出了一种基于用户交互数据的学习表示澄清问题的模型，用于重新排列自动生成的澄清问题，同时在点击数据和人工标注数据上进行评估，展示了提出方法的高质量。

    May, 2020