Sherlock Your Queries: 学习为基于对话的检索提出正确问题
人工智能
2025-10-22 v1
摘要
信息检索中的用户查询通常是模糊的，这使得系统难以从单一查询中识别用户的目标。尽管近期的基于对话的交互式检索系统能够澄清用户意图，但它们效率低下，因为通常缺乏提出最具信息量问题的显式策略。为了解决这一局限性，我们提出了 SherlockLLM，这是一个通过强化学习 (RL) 学习最优提问策略并避免对大规模标注对话数据需求的对话驱动检索框架。在我们的框架中，智能体被训练生成一系列二元问题，以高效缩小搜索空间。为了验证我们的方法，我们引入了一个包含结构化和非结构化任务的基准测试。实验结果表明，SherlockLLM 是一个稳健且高效的解决方案。在结构化任务上，其性能匹配了强基线并逼近由二分搜索定义的理论最优值。在具有挑战性的非结构化任务上，我们的智能体显著优于这些基线，展示了其学习高效信息搜寻对话策略的能力。
引用
@article{arxiv.2510.18659,
title = {Sherlock Your Queries: Learning to Ask the Right Questions for Dialogue-Based Retrieval},
author = {Dong Yun and Marco Schouten and Dim Papadopoulos},
journal= {arXiv preprint arXiv:2510.18659},
year = {2025}
}