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

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

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。

Nov, 2023

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

本文介绍了在开放领域信息寻求对话系统中提出澄清问题的任务，并提出了一个离线评估方法和一个命名为 Qulac 的数据集，以便评估模型的性能，其实验表明优质问题有助于提高信息检索的效率，并提出一个由三个部分构成的检索框架，该模型显著优于竞争基线。

Jul, 2019

该论文介绍了 NetEase 游戏 AI 实验室团队参加 2020 年 Search-oriented Conversational AI（SCAI）EMNLP 研讨会 ClariQ 挑战的情况。我们提出了一个澄清问题选择系统，它由回复理解、候选问题回忆和澄清问题排名组成。在实验中，我们使用 RoBERTa 模型来理解用户的回复，并使用 BM25 模型回忆候选问题。在澄清问题排名阶段，我们基于 ELECTRA 提出了两种模型，并将它们的输出概率相加，选择概率最高的问题作为澄清问题。实验结果表明，我们的模型在文档相关性任务中表现优异，且在问题相关性任务中达到了最佳的 recall@[20,30] 指标，而在第二阶段的多轮对话评估中，我们的系统获得了所有文档相关性度量的最高分数。

Oct, 2020

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

通过引入 CLAMBER，本研究构建了一个评估大型语言模型（LLMs）的基准，发现当前 LLMs 在识别和澄清用户不确定查询方面的实用性有限，同时提出进一步研究如何提高 LLMs 的质量，解决冲突并增加可信度的指导。

May, 2024

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

本文介绍一种实用而有效的检索增强方法（QUILL），它能够通过检索增强大型语言模型在查询理解方面的能力，而不会增加计算量。我们提出了一种新颖的两阶段蒸馏方法来处理检索增强的模型，证明了这种方法在公共基准测试中取得了出色的性能。

Oct, 2022