DSR：基于结构化输出的深度问题改写
计算与语言
2025-09-29 v6
摘要
问答是大型语言模型（LLM）的核心能力之一。然而，当个体在文本中遇到不熟悉的知识时，往往会提出无法被文本本身回答的问题，因为对底层信息的理解不足。近期研究表明，尽管 LLM 能够检测不可回答的问题，但在帮助用户改写这些问题方面仍存在挑战。即使是像 GPT-3.5 这样的先进模型，也在这方面表现有限。为此，本文提出了 DSR：Deep Question Reformulation with Structured Output，即一种新的 zero-shot 方法，旨在增强 LLM 帮助用户改写问题以从新文档中提取相关信息的能力。DSR 将 LLM 的优势与一种基于深度优先搜索（DFS）的算法相结合，用于迭代探索潜在的实体组合，并通过预定义实体限制输出。这种结构化方法显著提升了 LLM 的改写能力。全面的实验评估表明，DSR 将 GPT-3.5 的改写准确率从 提升到 ，同时也提升了开源模型如 Gemma2-9B 的性能，从 提升到 。
引用
@article{arxiv.2411.17993,
title = {DRS: Deep Question Reformulation With Structured Output},
author = {Zhecheng Li and Yiwei Wang and Bryan Hooi and Yujun Cai and Nanyun Peng and Kai-Wei Chang},
journal= {arXiv preprint arXiv:2411.17993},
year = {2025}
}
备注
Accepted to ACL 2025 (Findings)