Dec, 2023

基于知识图谱的对话式问答系统

PDF
TL;DR我们提出了一个基于强化学习模型的 CornNet，该模型利用大型语言模型生成的问题重述来改进对知识图谱中的多轮自然语言问题的回答，实验证明 CornNet 优于现有的 ConvQA 模型。
conversational question answeringknowledge graphsreinforcement learningquestion reformulationsconvqa models
发现论文，激发创造
  • 对话问答知识图谱中的改述式强化学习

    本研究提出了一种基于强化学习的模型 CONQUER，能从包含噪声的问题改写中学习如何回答自然语言问题，并在新提出的基准测试集 ConvRef 上展示了显著的性能提升。

    May, 2021

  • 对话问答模型的强化重述生成之稳健训练

    通过我们提出的 REIGN 框架，我们通过多种步骤来解决面对表面形式变化的局限性学习环境，其中包括系统生成训练问题的改写，通过深度强化学习改善问答模型的性能，以及在一个基准测试集上训练模型并应用于另一个。我们通过大量多样的改写生成评测数据的方式对训练模型的鲁棒性进行了严格评估，结果显示，通过改写生成的训练方法的对话问答模型明显优于只使用金标准问答对进行标准训练的模型。

    Oct, 2023

  • 基于知识图谱的对话问答强化学习

    使用强化学习方法解决基于法律知识库的多轮问答中输入问题含糊不清的问题，测试结果证明了该方法的有效性。

    Jan, 2024

  • 知识图谱对话问答中的对比表示学习

    通过对话历史和领域信息进行对比表示学习，本文提出了一种基于对比表示学习的方法，用于无需黄金注释的弱监督下进行知识图谱路径排名。 实验结果表明，该方法在所有领域和整体上显着优于现有基线，排名指标相对于现有技术表现提高了 10 到 18 个百分点。

    Oct, 2022

  • ConvGQR: 面向对话搜索的生成查询改写

    本文提出了 ConvGQR 的框架，该框架基于生成预训练语言模型，一种用于查询重写，另一种用于生成潜在答案。通过结合两者，ConvGQR 可以产生更好的搜索查询。此外，我们提出了一种知识注入机制来优化查询重写和检索，实验表明 ConvGQR 的有效性。

    May, 2023

  • 会话式问答中的加强问句重述技术

    使用强化学习训练重写模型，以 QA 反馈作为监督信号，能够有效提高抽取式和检索式问答中的性能，并且人工评估表明该方法能够生成更准确和详细的重写，优于人工注释。

    Oct, 2022

  • 复杂的连续问答：学习在知识图谱上对话问答对

    本文提出了一个任务，即 Complex Sequential QA，它结合了回答简单事实性问题和通过一系列有逻辑的问答匹配进行会话来进行复杂推理，本文也介绍了关于这个任务所需数据集，以及目前现有的模型在处理实际场景中还存在的不足。

    Jan, 2018

  • 在知识图谱上使用明智的上下文扩展进行对话式问答

    CONVEX 是一种无监督方法，可以通过维护对话上下文使用到目前为止看到的实体和谓词并自动推断缺失或模棱两可的问题部分，回答知识图上的不完整问题。

    Oct, 2019

  • 面向会话问答的问题重写

    本论文介绍了一种分解对话问答任务的方法，包括问题重写和问题回答。通过引入一种新的对话 QA 架构和一个问题重写模型，证明了这种方法在 TREC CAsT 2019 建议检索数据集上已经达到了最新的技术水平，并在 QuAC 数据集中优于我们的基准模型。这个问题重写模型在两个数据集上的性能接近于人类的表现，而对话 QA 任务的终端性能差距主要是由于回答中的错误导致的。

    Apr, 2020

  • CONQRR：基于强化学习的检索型对话查询重写

    CONQRR 使用强化学习训练了一个新的查询重写模型，使得原本用于非对话查询的信息检索引擎能够在对话的语境下得到有效的应用，并在最近的 CQA 数据集中实现了最新的成果，同时对于领域外的对话和零查询重写监督具有可靠性。

    Dec, 2021