面向中文问答系统的知识增强型问题纠错方法QuestionRAG
计算与语言
2025-11-06 v1
摘要
问答系统中的输入错误常常导致错误的回答。大型语言模型在此任务中表现不佳，经常无法解释用户意图（误解）或不必要地改变原始问题的结构（过度纠正）。我们提出了QuestionRAG，一个解决这些问题的框架。为了解决误解问题，它用外部知识（例如，搜索结果、相关实体）丰富了输入。为了防止过度纠正，它使用强化学习将模型的目标与精确纠正（而不仅仅是释义）对齐。我们的结果表明，知识增强对于理解有缺陷的问题至关重要。此外，基于强化学习的对齐被证明比传统的监督微调有效得多，增强了模型遵循指令和泛化的能力。通过整合这两种策略，QuestionRAG释放了LLMs在问题纠正任务中的全部潜力。
引用
@article{arxiv.2511.03410,
title = {Knowledge-Augmented Question Error Correction for Chinese Question Answer System with QuestionRAG},
author = {Longpeng Qiu and Ting Li and Shuai Mao and Nan Yang and Xiaohui Yan},
journal= {arXiv preprint arXiv:2511.03410},
year = {2025}
}
备注
EMNLP2025 Industry Track