响应增强的半监督对话查询生成

利用互联网上庞大且不断更新的知识一直被认为是对话系统的一项重要能力。因此，提出了对话查询生成任务，用于从对话历史中生成搜索查询，这些查询将被提交给搜索引擎以从互联网上检索相关网站。在这方面，以往的工作致力于收集带有标注查询的对话，并通过标准监督学习训练查询生成器 (QP)。然而，这些研究仍面临数据稀缺和领域适应的挑战。为了解决这些问题，本文提出了一个半监督学习框架——SemiDQG，以利用未标注对话提升模型性能。基于搜索查询通常与对话回复主题相关的观察，我们训练了一个响应增强的查询生成器 (RA)，为 QP 提供丰富且有效的训练信号。我们首先应用基于相似度的查询选择策略来筛选高质量的 RA 生成的伪查询，用于为训练 QP 和 RA 构建伪实例。然后，我们采用 REINFORCE 算法，以 RA 提供的奖励作为细粒度训练信号进一步增强 QP。在三个基准上的实验结果和深入分析表明了我们的框架在跨领域和低资源场景中的有效性。特别是，SemiDQG 显著超越了 ChatGPT 和有竞争力的基线。我们的代码可在 \url{https://github.com/DeepLearnXMU/SemiDQG} 获取。