澄清树：基于检索增强大语言模型的歧义问题回答
计算与语言
2023-10-24 v1
摘要
开放域问答中的问题常常存在歧义，允许多种解释。处理此类问题的一种方法是识别歧义问题（AQ）的所有可能解释并生成涵盖它们的长式答案，正如 Stelmakh 等人（2022）所建议的。虽然它提供了全面回应且无需打扰用户澄清，但考虑歧义的多个维度并收集相应知识仍具挑战。为应对该挑战，我们提出一种新框架——澄清树（ToC）：它通过利用外部知识的少样本提示递归地为 AQ 构建消歧树，并用以生成长式答案。在少样本设置下，ToC 在 ASQA 的各项指标上优于现有基线，同时在 Disambig-F1 和 Disambig-ROUGE 上超越了在完整训练集上训练的全监督基线。代码见 https://github.com/gankim/tree-of-clarifications。
引用
@article{arxiv.2310.14696,
title = {Tree of Clarifications: Answering Ambiguous Questions with Retrieval-Augmented Large Language Models},
author = {Gangwoo Kim and Sungdong Kim and Byeongguk Jeon and Joonsuk Park and Jaewoo Kang},
journal= {arXiv preprint arXiv:2310.14696},
year = {2023}
}
备注
Accepted to EMNLP 2023