S2M：用于对话式问答的单轮转多轮数据集转换

Dec, 2023

S2M：用于对话式问答的单轮转多轮数据集转换

S2M: Converting Single-Turn to Multi-Turn Datasets for Conversational Question Answering

Baokui Li, Sen Zhang, Wangshu Zhang, Yicheng Chen, Changlin Yang...

TL;DR提供数据增强给会话问答系统 (CQA) 可以有效提高模型性能。然而，由于单轮和多轮数据集之间的分布差异，单轮数据集在 CQA 中的改进较少。另一方面，尽管有大量的单轮数据集可用，但我们尚未有效利用它们。为解决这个问题，我们提出了一种将单轮数据集转换为多轮数据集的新方法。该方法包括三个部分，即 QA 对生成器、QA 对重装配器和问题重写器。给定包含上下文和单轮问答对的样本，生成器基于上下文获得候选 QA 对和基于知识图的知识图。重装配器利用知识图获得顺序问答对，重写器以会话角度重写问题以获得多轮数据集 S2M。我们的实验证明我们的方法可以合成用于 CQA 的有效训练资源。值得注意的是，在提交时 (Aug 24th, 2022)，S2M 在 QuAC 排行榜上排名第一。

Abstract

Supplying data augmentation to conversational question answering (CQA) can effectively improve model performance. However, there is less improvement from →

data augmentation conversational question answering single-turn datasets multi-turn datasets knowledge graph

发现论文，激发创造

QDA-SQL：问题增强对话增强的多轮文本到 SQL

提出了一种名为 QDA-SQL 的新型数据增强方法，通过使用 LLMs 生成多种类型的多轮问答对，以提高针对复杂多轮 Text-to-SQL 任务的 LLMs 性能。实验证明，QDA-SQL 可以使经过微调的模型在 SQL 语句准确性方面表现更好，并提高它们处理复杂不可回答问题的能力。

Jun, 2024

ParaQA: 单轮问答对话的同义答案问答数据集

本文介绍了 ParaQA 数据集，它是一个用于基于知识图谱单轮会话的多重释义响应问答（QA）数据集。ParaQA 数据集包含 5000 个问题 - 答案对，每个问题有 2 至 8 个不同的释义响应。我们提供了基准模型，并通过 BLEU 和 METEOR 等常用度量表说明了具有多个释义响应的优势。 ParaQA 数据集可在一个持续的 URI 上公开获得，以便在研究社区中广泛使用和适应。

Mar, 2021

实体关系提取作为多回合问答

本文提出了一种新的实体关系抽取范式，将该任务作为多轮问答问题，利用机器阅读理解模型，实现从语境中识别答案组成实体和关系类别的任务，并在 ACE 和 CoNLL04 语料库上进行实验，取得了显著的性能提升。此外，我们还构建了一个新的 RESUME 数据集，该数据集与以前的三元组数据集不同，需要进行多步推理建立实体间的依赖关系。

May, 2019

SciGraphQA：面向科学图表的大规模合成多轮问答数据集

本文介绍了 SciGraphQA，这是一个与学术图表相关的合成多轮问答数据集，它是迄今为止最大的非合成图表视觉问答数据集，使用 Palm-2 从计算机科学和机器学习 ArXiv 论文中生成了 295K 个开放式多轮问答对话样本，并通过 GPT-4 评估了问题 - 回答的匹配质量。最后，通过利用从图表中提取的序列化数据表格和 DePlot 模型，使用 LLaVA-13B 进行了进一步的改进，最终的评估 CIDEr 为 0.26。

Aug, 2023

端到端单通道说话者转换感知的会话语音翻译

本研究致力于解决单声道多说话者对话转写和翻译问题，提出了一种名为 Speaker-Turn Aware Conversational Speech Translation 的端到端多任务训练模型，通过在序列化标注格式中使用特殊标记来结合自动语音识别、语音翻译和说话者转换检测。在针对多说话者条件的实验中，我们使用合并了两个单声道通道的 Fisher-CALLHOME 语料库，以更真实和具有挑战性的场景来评估模型性能，实验结果表明我们的模型在多说话者条件下优于传统说话者转写系统，并且在单说话者条件下表现相当。同时，我们还提供了数据处理和模型训练的脚本。

Nov, 2023

3M-TRANSFORMER：用于体现式交替预测的多级多轮多模态 Transformer

使用基于 Transformer 的新型多模态架构来预测具有多视角的、同步的交互数据中的轮替情况，在已引入的 EgoCom 数据集上进行实验，与现有的基线和替代基于 Transformer 的方法相比，平均性能显著提升了最高达 14.01%。

Oct, 2023

使用深度话语聚合建模多轮对话

本文研究基于信息检索的跨度多轮对话系统以往语句的上下文建模的问题，提出将以前的话语通过一种深度聚合模型聚合成细粒度的上下文进行表示。实验结果表明，与现有的最先进的方法相比，该模型在三个多回合对话基准测试中表现更优秀。

Jun, 2018

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

将多轮上下文与 BERT 相结合的简单而有效的对话式机器阅读理解方法

本论文提出了一种基于 BERT 的简单而有效的多轮对话机器理解方法，通过对多个问题和答案的条件编码，预测一个段落表示中的答案。实验结果表明，本方法在 QuAC 和 CoQA 数据集上表现优于最近发布的方法。在对对话历史数量和类型的影响进行详细分析后，论文发现金牌答案历史对模型性能的贡献最大。

May, 2019

M2QA：多领域多语言问答

通过引入多领域多语言问题回答基准 M2QA，并利用其探索经过微调的模型、最新最先进的 LLM 的跨语言跨领域性能，以及研究模块化方法对领域和语言进行适应，我们发现模型类别内在领域 - 语言组合上具有相当大的性能差异，并且在所有模型规模上源语言 - 目标语言 / 领域组合之间存在显著的性能下降。我们证明了 M2QA 并未得到完全解决，需要新的方法来有效地传递语言和领域特定信息。

Jul, 2024