ChainCQG：感知对话流的对话式问题生成
人工智能
2021-02-08 v1
摘要
对话系统支撑众多有价值的应用，而问答是许多此类应用背后的重要组件。然而，由于缺乏真实的、特定领域的训练数据，对话式问答仍具挑战性。受此瓶颈启发，我们关注对话式问题生成，将其作为生成合成对话以用于训练和评估的手段。我们提出若干新颖策略以改善对话流并适应不同的问题类型与整体流畅度。具体而言，我们将ChainCQG设计为两阶段架构，利用流传播训练策略跨多个对话轮次学习问答表示。ChainCQG显著优于感知答案与不感知答案的SOTA基线（例如，BLEU-1提升高达48%）。此外，我们的模型能够生成不同类型的问题，且具有改进的流畅度与指代对齐。
引用
@article{arxiv.2102.02864,
title = {ChainCQG: Flow-Aware Conversational Question Generation},
author = {Jing Gu and Mostafa Mirshekari and Zhou Yu and Aaron Sisto},
journal= {arXiv preprint arXiv:2102.02864},
year = {2021}
}
备注
EACL 2021