消除歧义：关于歧义类型在澄清生成提示方法中的作用

在信息检索 (IR) 中，为更好地理解用户的信息需求而提供恰当的澄清措辞对于构建以搜索为导向的对话系统至关重要。由于大型语言模型 (LLMs) 具有强大的零样本学习能力，最近的研究探索了使用少量样本或链式思考 (Chain of Thought, CoT) 提示方法来生成澄清措辞。然而，基础 CoT 提示方法并不区分不同信息需求的特征，导致难以理解 LLMs如何解决用户查询中的歧义问题。本文聚焦于澄清过程中的歧义概念，旨在建模和集成歧义。为此，我们全面研究了基于推理和歧义的提示方案对澄清生成的影响。核心思想是通过限制 CoT 首先预测可作为澄清指令的歧义类型，然后相应生成澄清措辞。我们将这种新的提示方案命名为歧义类型链式思考 (Ambiguity Type-Chain of Thought, AT-CoT)。在包含人工标注澄清问题的数据集上开展实验，以比较 AT-CoT 与多个基线方法。我们还进行了用户模拟，以在各种 IR 场景下隐式测量生成澄清措辞的质量。