Jun, 2024

自适应查询重写：通过会话答案的边际概率对齐重写器

PDF
TL;DRAdaQR 是一个框架，用于训练具有有限重写注释和完全没有段落标签的查询重写模型，通过从种子数据集中只使用～10% 的重写注释进行微调精简大型语言模型，然后利用这些模型为每个查询实例生成重写候选，并通过条件概率对这些候选进行检索者权重评估，这被用作优化重写器的奖励，进一步使用直接偏好优化 (DPO) 的过程进行优化，实验结果表明 AdaQR 不仅增强了具有有限注释要求的领域内重写器的功能，而且有效地适应了领域外数据集。
query rewritingpassage retrievalopen-domain conversational question answeringadaqrlimited annotation requirement
发现论文，激发创造
  • 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

  • AdaCQR: 通过稀疏和稠密检索对话搜索中增强查询重构

    通过对齐基于词语和语义的检索系统，AdaCQR 框架增强了信息查询在多样检索环境中的泛化能力，并通过双阶段训练策略提供了数量和质量上的改进，从而显著优于现有方法，提供了与对话式查询改进相关的定量和定性改进。

    Jul, 2024

  • 问句改写对话式问答有帮助吗？

    本文探讨了问题改写在对话问答中的有效性，通过使用强化学习方法来集成 QR 和 CQA 任务，但是发现该方法与端到端基线效果相当，并分析了失败的原因并描述了在 CQA 中利用 QR 的难度。

    Apr, 2022

  • 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

  • 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

  • 语音助手中查询重写的模式感知数据增强

    提出了一种数据增强框架，利用现有的训练数据学习模式并且逆向生成重写标签，有效地支持在低资源领域或语境中提高查询重写系统的性能，相比于完全训练模型的基准模型，实验结果表明其有效性。

    Dec, 2020

  • CoQAR: CoQA 上的问题重写

    提出使用问句重写作为预处理步骤来弥补人类在对话中提出的带上下文依赖但自动化系统无法理解的问题，使用人工标注的 CoQAR 语料库进行了实验，证明了该方法对于提高对话问答模型性能的有效性。

    Jul, 2022

  • 通过问题重述使开放域问答变为对话

    介绍一个新数据集，用于在对话上下文中重新提问问题，提供了对问题改写、网页检索和阅读理解的指标。通过组合先进的问题重写模型和开放域 QA 的竞争模型，该方法显示出了 QReCC 数据集的效力，并证明了该设置的困难性和大量改进的空间。

    Oct, 2020

  • 关于问题重述系统对不同难度问题的鲁棒性研究

    该研究论文研究了对话式问答（CQA）中问题重写（QR）的鲁棒性，通过自动分类问题并度量其重写难度，进行人工评估，最终提出一种学习框架以增强 QR 系统对不同难度问题的鲁棒性，并在实验中验证了该框架的性能优于基准模型。

    Nov, 2023

  • 利用背景知识进行查询重写回答科学考试问题

    本文针对 ARCChallenge 数据集的超越式难题提出了一种系统，该系统利用查询重写、背景知识和文本属于性，成功地提高了端到端 QA 任务的性能，并超越了几个强基线。

    Sep, 2018