GUIDEQ：用于渐进式信息收集和分类的引导式提问框架
计算与语言
2024-11-12 v1
摘要
问答 (Question Answering, QA) 是文本分类通过信息收集的重要组成部分，这些系统在医疗、客户支持、法律服务等领域日益增长地应用，用于收集并分类响应到可操作类别。虽然大语言模型 (LLM) 可以支持 QA 系统，但面临信息不足或缺失导致无法进行分类的挑战。尽管 LLM 在推理方面表现出色，但模型依赖其参数化知识来作答。然而，对用户提出问题需要特定领域的信息以收集准确信息。我们的工作 GUIDEQ 提出了一种新型框架，通过引导式提问来推进部分信息的收集。我们利用来自分类模型的可解释性，结合 LLM 进行引导式提问，以进一步增强信息。这一进一步的信息有助于更准确地分类文本。GUIDEQ 通过遮盖操作派生出代表标签的最重要关键词。我们基于前 3 个分类标签输出和重要词语，开发了 GUIDEQ 的提问策略，以寻求特定且相关的信息，并进行有针对性的分类。通过实验结果，我们展示了 GUIDEQ 超越其他基于 LLM 的基线方法，通过准确收集相关信息提升 F1 分数。我们进行了各种分析性研究，并报告了比我们方法更好的问题质量。
引用
@article{arxiv.2411.05991,
title = {GUIDEQ: Framework for Guided Questioning for progressive informational collection and classification},
author = {Priya Mishra and Suraj Racha and Kaustubh Ponkshe and Adit Akarsh and Ganesh Ramakrishnan},
journal= {arXiv preprint arXiv:2411.05991},
year = {2024}
}