基于知识图谱的对话式问答与问题改写
计算与语言
2024-04-01 v2 人工智能
摘要
对话式问答(convQA)涉及回答关于知识图谱(KG)中信息的多轮自然语言问题。最先进的ConvQA方法常常难以处理不明确的问答对。这些输入对于人类来说，在有对话历史的情况下容易理解，但机器难以解释，这会降低ConvQA性能。为了解决这个问题，我们提出了一种基于强化学习(RL)的模型CornNet，它利用大型语言模型(LLMs)生成的问题改写来提升ConvQA性能。CornNet采用教师-学生架构，教师模型使用人类书写的改写学习问题表示，学生模型通过LLMs生成的改写模仿教师模型的输出。然后，学习到的问题表示被RL模型用于在KG中定位正确答案。大量实验结果表明，CornNet优于最先进的convQA模型。
引用
@article{arxiv.2312.17269,
title = {Conversational Question Answering with Reformulations over Knowledge Graph},
author = {Lihui Liu and Blaine Hill and Boxin Du and Fei Wang and Hanghang Tong},
journal= {arXiv preprint arXiv:2312.17269},
year = {2024}
}