对话式搜索中零样本且高效的澄清需求预测
信息检索
2025-03-04 v1 人工智能
计算与语言
机器学习
摘要
澄清需求预测（CNP）是对话式搜索中的关键任务，旨在预测是否应该提出澄清性问题还是对当前用户查询给出答案。然而，当前的 CNP 研究受到 CNP 训练数据有限和效率低下的问题的困扰。在本文中，我们提出了一种零样本且高效的 CNP 框架（Zef-CNP），其中我们首先以零样本方式提示大型语言模型（LLM）生成两组合成查询：模糊查询和明确（无歧义）查询。然后我们使用生成的查询来训练高效的 CNP 模型。Zef-CNP 消除了训练期间对人类标注的澄清需求标签的需求，并避免了在查询时使用高查询延迟的 LLM。为了进一步提高合成查询的生成质量，我们设计了一种主题、信息需求和查询感知的思维链（TIQ-CoT）提示策略。此外，我们通过反事实查询生成（CoQu）增强了 TIQ-CoT，该方法引导 LLM 首先生成一个明确/模糊查询，然后依次生成其对应的模糊/明确查询。实验结果表明，Zef-CNP 在 CNP 有效性和效率方面优于零样本和少样本的基于 LLM 的 CNP 预测器。
引用
@article{arxiv.2503.00179,
title = {Zero-Shot and Efficient Clarification Need Prediction in Conversational Search},
author = {Lili Lu and Chuan Meng and Federico Ravenda and Mohammad Aliannejadi and Fabio Crestani},
journal= {arXiv preprint arXiv:2503.00179},
year = {2025}
}