知识驱动对话中的问题生成：可解释性与评估
计算与语言
2024-04-12 v1
摘要
我们在知识驱动对话的背景下探索问题生成，重点关注可解释性与评估。受先前基于规划的摘要工作的启发，我们提出了一个模型，该模型不直接生成问题，而是先依次预测一个事实，再预测一个问题。我们在改编自 KGConv 数据集的 37k 个测试对话上评估了我们的方法，并表明，尽管在推理方面要求更高，我们的方法与仅生成问题的标准模型表现相当，同时允许在相关性、事实性和代词化方面对模型行为进行详细的无参考评估。
引用
@article{arxiv.2404.07836,
title = {Question Generation in Knowledge-Driven Dialog: Explainability and Evaluation},
author = {Juliette Faille and Quentin Brabant and Gwenole Lecorve and Lina M. Rojas-Barahona and Claire Gardent},
journal= {arXiv preprint arXiv:2404.07836},
year = {2024}
}