Mar, 2024

迈向自动独立答案：基于实体的对话式搜索答案重写

PDF
TL;DR对话式信息获取是一种新兴的知识获取和探索性搜索范式，本论文旨在探索对话式信息获取中的答案重写方法，使用户能够理解答案而无需借助外部服务或来源。通过创建带有突出实体注释的对话数据集，该研究发现大多数答案包含重要实体。提出了两种旨在改善对话式信息获取中用户体验的答案重写策略，其中一种方法是通过内联定义重写答案，使答案在自身中包含所述重要实体的定义；另一种方法是通过补充后续问题来补充答案，使用户可以进一步了解特定实体。众包研究结果表明，重写后的答案明显优于原始答案。同时发现内联定义往往优于后续问题，但这种选择高度主观，这为个性化提供了一个有希望的未来方向。
conversational information-seekingknowledge acquisitionexploratory searchsalient entitiesanswer rewriting strategies
发现论文，激发创造
  • 搜索引擎魔法师：通过与搜索引擎的对话获取信息

    本论文针对谈话式信息查找的限制制约了以往的理论研究和实验研究，提出了一个针对谈话式信息查找的流程管道和 “WISE” 数据集，并设计了神经网络架构和预训练 / 微调学习方案，在谈话式信息查找的所有子任务上进行训练，并发布数据集、代码和评估脚本，以便测量这个重要的研究方向的进一步改进。

    May, 2021

  • 对话式信息检索

    本文概述了对话式信息检索（CIS）的定义、应用、交互、界面、设计、实现和评估，并介绍了 CIS 的现状，挑战和未来发展方向。

    Jan, 2022

  • 评估重述问题对于对话式问答的重要性

    本文研究了基于神经语言模型、以及不同的信息提取和答案生成方式，在特定的搜索导向的对话人工智能任务中，如何通过代表问题上下文的不同重写模块，从背景知识库中提取信息，生成知识回答，最终取得了最佳表现，并在分析中强调了对话上下文的重要性。

    Jan, 2022

  • 估计明确问题和回答对于对话式搜索的有用性

    我们提出了一个简单而有效的方法来处理对澄清问题的回答，并介绍了一个对用户提出的问题和回答进行有用性评估的分类器，将有用的问题或回答附加到对话历史中，并传递给基于 transformer 的查询重写模块，实验证明与非混合主动的基线相比有显著改进。此外，所提出的方法缓解了使用不实用的问题和回答时性能下降的问题。

    Jan, 2024

  • 基于知识图谱的语义融合改进对话式推荐系统

    本论文介绍了一种使用知识图谱和互信息最大化技术的对话式推荐系统，通过增强对话数据表示来解决上下文信息不足以及自然语言表达和用户偏好之间的语义鸿沟问题，从而在推荐和对话任务方面提高了性能。

    Jul, 2020

  • ISEEQ: 使用动态元信息检索和知识图谱生成信息检索问题

    提出了一种名为 ISEEQ 的新方法，利用知识图谱和深度生成对抗强化学习等技术从短语查询中生成高质量的信息请求问题，从而推进对话式信息查询技术的发展，并在多个数据集上进行了详细的实验和人工评估。

    Dec, 2021

  • 利用预训练语言模型进行从文本中获取对话式信息检索

    本论文研究了利用上下文学习和预训练语言表示模型来解决过程描述文档中信息提取的问题，与原生 GPT-3 模型一起，通过注入概念定义和少量样本进行了两个上下文学习操作。研究结果显示了该方法的潜力和上下文学习的有用性，同时也指出了控制流关系所带来的挑战。

    Mar, 2022

  • 搜索引擎对话：基于 SERP 的对话回应生成

    本文讨论了 Conversational Agents（CAs）和 Conversational Search（CS）的研究，提出了一个使用自然语言与搜索引擎对话的系统，并使用 Crowdsourcing 平台的工作人员创建了 Search as a Conversation（SaaC）数据集以及基于该数据集开发的最新的 Conversations with Search Engines（CaSE）管道，该管道引入了一个支持标记识别模块和先验知识指针生成器以生成更准确的响应，并通过实验表明 CaSE 能够胜过强基线模型。

    Apr, 2020

  • EntQA: 实体链接问答

    EntQA 模型通过借鉴问题解答技术，在不需要已知实体的情况下，快速定位文档中的潜在实体，并在 GERBIL 基准测试中获得了良好的结果。

    Oct, 2021

  • 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