迈向全面答案的一步:基于大语言模型的受限多阶段问题分解
计算与语言
2023-11-14 v1
摘要
尽管大语言模型在问答任务中表现出色,它们仍易出现幻觉。当这些模型难以理解复杂问题中的多跳关系或缺乏全面回答所需知识时,挑战便随之产生。为解决此问题,我们引入“分解并查询”(Decompose-and-Query, D&Q)框架。该框架引导模型像ReAct那样思考并利用外部知识,同时将思考限制在可靠信息内,有效降低幻觉风险。实验证实了D&Q的有效性:在我们的ChitChatQA数据集上,D&Q在67%的案例中不逊于ChatGPT;在HotPotQA仅问题设定下,D&Q取得了59.6%的F1分数。我们的代码见https://github.com/alkaidpku/DQ-ToolQA。
引用
@article{arxiv.2311.07491,
title = {A Step Closer to Comprehensive Answers: Constrained Multi-Stage Question Decomposition with Large Language Models},
author = {Hejing Cao and Zhenwei An and Jiazhan Feng and Kun Xu and Liwei Chen and Dongyan Zhao},
journal= {arXiv preprint arXiv:2311.07491},
year = {2023}
}