对话式问答中相关历史轮次的选择学习
计算与语言
2023-08-07 v1 人工智能
信息检索
摘要
基于网络的数字助理需求增长，使信息检索(IR)界对对话式问答(ConvQA)领域的兴趣迅速上升。然而，ConvQA 的一个关键方面是有效选择对话历史轮次以回答当前问题。相关历史选择与相关答案预测之间的依赖关系是一个引人注目但未被充分探索的领域。所选的相关上下文能更好地引导系统确切在段落的何处寻找答案。另一方面，不相关上下文给系统带来噪声，从而导致模型性能下降。在本文中，我们提出一个框架 DHS-ConvQA（对话式问答中的动态历史选择），该框架首先为所有历史轮次生成上下文与问题实体，然后基于它们与当前问题的共同相似性进行剪枝。我们还提出一种基于注意力的机制，根据所计算出的对回答问题有用程度的权重对剪枝后的项重新排序。最后，我们通过二分类任务进一步辅助模型，高亮重排后对话历史中的项，保留有用项（预测为 1）并忽略不相关项（预测为 0）。我们在 CANARD 和 QuAC——ConvQA 中两个常用数据集——上通过广泛的实验结果证明了我们提出框架的有效性。我们表明，选择相关轮次优于重写原始问题。我们还研究了添加不相关历史轮次如何对模型性能产生负面影响，并讨论了需要 IR 界更多关注的研究挑战。
引用
@article{arxiv.2308.02294,
title = {Learning to Select the Relevant History Turns in Conversational Question Answering},
author = {Munazza Zaib and Wei Emma Zhang and Quan Z. Sheng and Subhash Sagar and Adnan Mahmood and Yang Zhang},
journal= {arXiv preprint arXiv:2308.02294},
year = {2023}
}