对比式多文档问题生成

多文档问题生成致力于生成覆盖多个文档共同方面的问题。此类模型在生成澄清选项时很有用。然而，仅使用目标（“正”）文档集训练的朴素模型可能生成过于宽泛的问题，其覆盖范围超出文档集所界定。为应对该挑战，我们引入对比学习策略：给定“正”和“负”文档集，我们生成与“正”集密切相关但与“负”集相距甚远的问题。该设定使生成的问题更具体且与目标文档集相关。为生成此类具体问题，我们提出多源协调问题生成器（MSCQG），一种包含监督学习（SL）阶段和强化学习（RL）阶段的新型框架。在SL阶段，训练单文档问题生成器。在RL阶段，训练协调器模型以寻找最优注意力权重来对齐多个单文档生成器，通过优化旨在提升生成问题特异性的奖励实现。我们还开发了名为集合诱导对比正则化（SCR）的有效辅助目标，在RL阶段改善协调器的对比学习。我们表明，通过自动指标和人工评估衡量，我们的模型显著优于多个强基线。源代码仓库公开于 \url{www.github.com/woonsangcho/contrast_qgen}。