基于检索增强风格迁移的多样化问题生成
计算与语言
2023-10-24 v1
摘要
给定文本段落与答案，人类能够以多种表达提问，但这一能力对多数问题生成（QG）系统仍具挑战性。现有方案主要聚焦于给定段落内的内部知识或语义词空间以实现多样化内容规划。然而，这些方法未考虑外部知识对表达多样性的潜力。为弥补此不足，我们提出RAST，一种检索增强风格迁移框架，其目标是利用多样化模板的风格进行问题生成。为训练RAST，我们开发了一种基于强化学习（RL）的新方法，最大化多样性奖励与一致性奖励的加权组合。其中，一致性奖励由问答（QA）模型计算，而多样性奖励衡量最终输出对检索模板的模仿程度。实验结果表明，我们的方法在多样性上优于以往的多样性驱动基线，且在一致性分数上相当。我们的代码发布于https://github.com/gouqi666/RAST。
引用
@article{arxiv.2310.14503,
title = {Diversify Question Generation with Retrieval-Augmented Style Transfer},
author = {Qi Gou and Zehua Xia and Bowen Yu and Haiyang Yu and Fei Huang and Yongbin Li and Nguyen Cam-Tu},
journal= {arXiv preprint arXiv:2310.14503},
year = {2023}
}
备注
EMNLP2023 camera-ready