Can Users Detect Biases or Factual Errors in Generated Responses in Conversational Information-Seeking?
针对对话式信息检索中生成回复可能存在偏见、错误或不完整的问题，本文通过两个人群标注任务考察用户检测能力，发现用户更易发现回复不完整，且满意度主要受多样性而非事实正确性影响。
2024-10-28 cs.IR
The Effects of System Initiative during Conversational Collaborative Search
我们在本文中的研究在于协作和会话搜索的交叉点。我们报告了一项绿野仙踪实验室研究，其中27对参与者在Slack消息传递平台上合作完成搜索任务。为了完成任务，成对的合作者与具有会话能力的所谓的\emph{searchbot}进行交互。搜索机器人的角色由参考图书馆员扮演。人们普遍认为，对话式搜索系统应该能够参与\emph{mixed-initiative interaction} --适当地获取和放弃对多代理对话的控制。话语分析中的研究区分了对话层面和任务层面的主动性。采取\emph{dialog-level}主动性包括引导对话，其唯一目的是在代理之间建立相互信任。相反，采取\emph{task-level}主动性涉及引导一个意图影响其他代理目标的对话。我们研究的参与者经历了三个\emph{searchbot conditions}，这取决于人类搜索机器人能够采取的主动性水平：（1）没有主动性，（2）只有对话级别的主动性，（3）对话和任务级别的主动性。我们调查了搜索机器人条件对六种不同类型结果的影响：（RQ 1）对搜索机器人效用的看法，（RQ 2）对工作量的看法，（RQ 3）对协作的看法，（RQ 4）沟通和协作的模式，以及感知的（RQ 5）好处和（RQ 6）与搜索机器人合作的挑战。
2022-02-20 cs.HC cs.IR
Role of Personality in Conversational Information Seeking
University of Glasgow（格拉斯哥大学）
本研究以大五人格为变量，开展受控被试内实验，发现助手人格与任务的交互作用影响对话式信息检索的信任与决策，助手人格需作为语境敏感的交互设计变量。
2026-08-12 cs.IR
Conversational Information Seeking
University of Massachusetts Amherst（马萨诸塞大学阿默斯特分校）；RMIT University（皇家墨尔本理工大学）；University of Glasgow（格拉斯哥大学）；Google Research（谷歌研究院）
会话式信息搜索（CIS）涉及一个或多个用户与信息系统之间的一系列交互。CIS中的交互主要基于自然语言对话，同时它们可以包括其他类型的交互，例如点击、触摸和身体姿势。这本专著提供了一个全面的概述CIS的定义，应用程序，相互作用，接口，设计，实施和评估。这本专著认为CIS的应用包括对话式搜索，对话式问答和对话式推荐。我们的目的是提供一个与CIS相关的过去研究的概述，介绍CIS当前的最新技术，强调社区仍然面临的挑战。并提出未来的发展方向。
2023-01-25 cs.CL cs.HC cs.IR
Conversational Browsing
我们如何更好地理解多轮信息寻求对话背后的机制？我们如何使用这些见解来设计一个对话系统，而不需要像问答那样预先明确提出查询？为了回答这些问题，我们收集了人类参与者执行类似任务的观察结果，以获得系统设计的灵感。然后，我们研究了在这些设置中发生的对话的结构，并使用由此产生的见解来开发一个扎根的理论，设计和评估第一个系统原型。评价结果表明，我们的方法是有效的，可以补充基于查询的信息检索方法。我们通过分析和提供自动化支持的信息寻求策略的类型，是有效的，当信息需求的清晰度和熟悉的收集内容是低的信息寻求行为的新见解。
2020-12-07 cs.IR
Analysing Mixed Initiatives and Search Strategies during Conversational Search
University of Amsterdam（阿姆斯特丹大学）；University of Strathclyde（思克莱德大学）；University of Massachusetts Amherst（马萨诸塞大学阿默斯特分校）；Microsoft（微软）
用户和会话搜索代理之间的信息搜索会话由多轮交互组成。当用户发起搜索会话时，理想情况下，CSA有时应该通过提供查询建议或要求查询澄清（即混合主动性）来获得用户的反馈，从而在对话中发挥主导作用。这创造了更吸引人的对话搜索的潜力，但由于大的交互空间加上不同交互的成本和收益之间的权衡，大大增加了建模和评估此类场景的复杂性。在本文中，我们提出了一个对话搜索模型-从我们实例化不同的观察到的对话搜索策略，其中代理elections：（i）反馈第一，或（ii）反馈后。使用49个TREC WebTrack主题，我们进行了一项分析，比较这些不同的策略与不同的混合主动方法的结合程度：（i）查询建议与（ii）查询澄清。我们的分析表明，没有优越或占主导地位的组合，相反，它表明，查询澄清是更好的时候问第一，而查询建议是更好的时候，提出结果后。我们还表明，最好的策略和方法取决于查询和反馈之间的相对成本，初始查询的性能，每个查询的评估数量，以及所需的总收益之间的权衡。虽然这项工作突出了分析CSA所涉及的复杂性和挑战，但它为在批处理/离线设置中评估会话策略和会话搜索代理提供了基础。
2021-09-13 cs.CL cs.HC cs.IR
Macaw: An Extensible Conversational Information Seeking Platform
Microsoft AI & Research（微软人工智能与研究部）
会话式信息搜索是信息检索领域的一个重要研究方向。这样的研究将需要数据和工具，以允许会话系统的实施和研究。本文介绍了Macaw，一个开放源码的框架与CIS研究的模块化架构。Macaw支持多回合、多模式和混合主动交互，并支持文档检索、问答、推荐和结构化数据探索等任务的研究。它有一个模块化设计，以鼓励新的CIS算法的研究，这可以在批处理模式进行评估。它还可以与用户界面集成，这允许用户在交互方式下进行研究和数据汇集，后端可以是完全算法的或向导式的设置。Macaw在MIT许可证下发布。
2019-12-18 cs.CL cs.HC cs.IR
Evaluating Mixed-initiative Conversational Search Systems via User Simulation
Università della Svizzera italiana（瑞士意大利语区大学）；University of Amsterdam（阿姆斯特丹大学）
通过提出澄清性问题来澄清用户潜在的信息需求是现代会话搜索系统的一个重要特征。然而，通过回答提示的澄清问题来评估这样的系统需要大量的人力，这可能是耗时且昂贵的。在本文中，我们提出了一个会话用户模拟器，称为USi，这样的会话搜索系统的自动评估。给定信息需求的描述，USi能够在整个搜索会话中自动回答关于该主题的澄清问题。通过一组实验，包括自动自然语言生成指标和众包研究，我们表明，USi生成的响应都符合基本的信息需求，并与人类生成的答案相媲美。此外，我们向多轮交互迈出了第一步，会话搜索系统向（模拟）用户提出多个问题，目的是澄清用户需求。为此，我们扩展了目前可用的数据集，用于研究澄清问题，即，Qulac和ClariQ，通过执行基于众包的多轮数据采集。我们表明，我们的生成，基于GPT2的模型，能够提供准确和自然的答案，看不见的澄清问题，在单回合设置和讨论我们的模型在多回合设置的能力。我们提供了代码，数据和预训练模型，用于进一步研究该主题。
2022-04-20 cs.CL cs.IR
ProCIS: A Benchmark for Proactive Retrieval in Conversations
本文构建含280万余段对话的 ProCIS 数据集与 npDCG 指标，用于评估系统在多方对话中适时主动检索文档的能力。
2024-05-10 cs.IR
Explainability for Transparent Conversational Information-Seeking
本文研究对话式信息搜寻中回复解释的透明度问题，通过用户实验考察解释质量与呈现方式对回复有用性的影响，发现含噪声解释会降低用户评分，而呈现形式并非关键因素。
2024-05-06 cs.HC cs.IR
User Intent Prediction in Information-seeking Conversations
University of Massachusetts Amherst（马萨诸塞大学阿默斯特分校）；Rutgers University（罗格斯大学）；RMIT University（皇家墨尔本理工大学）；Alibaba Group（阿里巴巴集团）
谈话助理正逐渐被大众所采用。然而，他们没有能力处理复杂的信息寻求任务，涉及多轮信息交换。由于会话搜索中有限的通信带宽，会话助理准确地检测和预测信息寻求会话中的用户意图是重要的。在本文中，我们调查两个方面的用户意图预测信息寻求设置。首先，我们根据给定话语的内容、结构和情感特征提取特征，并使用经典的机器学习方法来执行用户意图预测。然后，我们进行深入的特征重要性分析，以确定该预测任务中的关键特征。我们发现结构特征对预测性能的贡献最大。鉴于这一发现，我们构建神经分类器，将上下文信息和实现更好的性能，而无需特征工程。研究结果可为信息搜索会话中用户意图预测的重要因素和有效方法提供参考。
2019-01-11 cs.CL cs.IR
Introducing MANtIS: a novel Multi-Domain Information Seeking Dialogues Dataset
TU Delft（代尔夫特理工大学）
对话式搜索是一种信息检索方法，用户通过与代理进行对话来满足自己的信息需求。以前的概念性工作描述了一个好的代理应该表现出的属性和行为。与他们不同的是，我们提出了一个新的概念模型定义的会话目标，这使我们能够对目前的研究实践中的对话搜索的原因。在文献的基础上，我们得出现有的任务和测试集合从IR，自然语言处理（NLP）和对话系统（DS）领域适合这个模型。我们描述了一组理想的会话搜索数据集应该具有的特征。最后，我们介绍了MANTIS（代码和数据集可在https：//guzpenha.github.io/MANTIS/获得），这是一个大规模的数据集，包含多域和接地信息寻求对话，满足我们所有的数据集需求。我们为会话响应排名和用户意图预测任务提供基线结果。
2019-12-10 cs.CL cs.IR cs.LG
Analysing the Effect of Clarifying Questions on Document Ranking in Conversational Search
University of Amsterdam（阿姆斯特丹大学）
最近对会话搜索的研究强调了混合主动性在会话中的重要性。为了实现混合主动性，系统应该能够向用户提出澄清问题。然而，在对文档进行排名时，还没有分析基本排名模型（支持对话式搜索）解决这些澄清问题和答案的能力。为此，我们分析了一个词汇排名模型的会话搜索数据集的性能与澄清的问题。我们调查，定量和定性，澄清问题和用户的答案的不同方面如何影响排名的质量。我们认为，需要有一些细粒度的治疗整个会话轮的澄清，明确的反馈的基础上，这是目前在这种混合的主动设置。根据我们的研究结果，我们引入了一个简单的基于知识的词汇基线，显着优于现有的天真基线。我们的工作旨在提高我们对这一特定任务中存在的挑战的理解，并为设计更合适的会话排名模型提供信息。
2020-08-11 cs.AI cs.CL cs.HC
Analyzing and Characterizing User Intent in Information-seeking Conversations
University of Massachusetts Amherst（马萨诸塞大学阿默斯特分校）；RMIT University（皇家墨尔本理工大学）；Rutgers University（罗格斯大学）；Alibaba Group（阿里巴巴集团）
理解和描述人们在信息搜索对话中的交互方式对于开发对话式搜索系统至关重要。在本文中，我们介绍了一个新的数据集，为此目的而设计，并使用它来分析信息寻求对话的用户意图分布，共现，和流模式。MSDialog数据集是一个带标签的对话数据集，其中包含Microsoft产品在线论坛中信息搜索者和提供者之间的问答（QA）交互。该数据集包含超过2，000个多轮QA对话，其中10，000个话语在话语级别上注释了用户意图。注释是通过众包完成的。使用MSDialog，我们发现在信息搜索过程中用户意图中存在一些高度重复的模式。它们可以用于设计会话搜索系统。我们将免费提供我们的数据集，以鼓励探索寻求信息的对话模型。
2018-04-23 cs.CL cs.IR
QRFA: A Data-Driven Model of Information-Seeking Dialogues
Vienna University of Economics and Business（维也纳经济大学）；Federal University of Rio de Janeiro（里约热内卢联邦大学）；University of Amsterdam（阿姆斯特丹大学）
了解交互过程的结构有助于我们改进信息寻求对话系统。分析交互过程归结为发现用户和代理之间交换的交替话语序列中的模式。流程挖掘技术已成功地应用于分析结构化事件日志，发现底层流程模型或评估所观察到的行为是否符合已知流程。在本文中，我们应用过程挖掘技术，发现模式的会话记录，并提取一个新的模型的信息寻求对话，QRFA，查询，请求，反馈，回答。我们的研究结果是基于对来自不同领域的多个会话数据集的经验评估，这是以前从未尝试过的。我们表明，QRFA模型更好地反映了在真正的信息寻求对话中观察到的会话流比以前提出的模型。此外，QRFA使我们能够识别故障的对话系统成绩单的偏离预期的会话流所描述的模型，通过一致性分析。
2018-12-27 cs.CL cs.IR
TREC CAsT 2019: The Conversational Assistance Track Overview
University of Glasgow（格拉斯哥大学）；Microsoft Research（微软研究院）；Carnegie Mellon University（卡内基梅隆大学）
会话辅助轨道（CAST）是TREC 2019的一个新轨道，旨在促进会话信息搜索（CIS）研究，并为会话搜索系统创建大规模可重用的测试集合。文档语料库是来自TREC复杂答案检索（CAR）和微软机器阅读理解（MARCO）数据集的38，426，252个段落。80个信息寻求对话（30个训练，50个测试）平均有9到10个问题。为30个培训主题和20个测试主题提供相关性评估。今年，21个小组使用不同的对话查询理解和排名方法总共提交了65次运行。方法包括传统的基于检索的方法，基于特征的学习排名，神经模型和知识增强的方法。贯穿运行的一个共同主题是使用基于BERT的神经重排序方法。领先的方法还采用了文档扩展、会话查询扩展和用于会话查询重写的生成语言模型（GPT-2）。结果表明，自动系统和那些使用手动解决的话语之间的差距，与最好的自动系统相比，手动重写有35%的相对改善。
2020-03-30 cs.CL cs.IR cs.LG
Estimating the Usefulness of Clarifying Questions and Answers for Conversational Search
Università della Svizzera italiana（瑞士意大利语大学）；University of Stavanger（斯塔万格大学）
针对会话搜索中用户澄清回答利用不足的问题，本文提出分类器判断澄清问答的有用性，仅将有效内容加入对话历史并交由 transformer 查询重写，显著提升检索性能。
2024-01-21 cs.CL cs.IR
Towards a Model for Spoken Conversational Search
会话是日常生活中信息交流的自然方式，用于搜索输入和输出的口语会话交互是信息搜索的逻辑格式。然而，在口语会话搜索（SCS）中的用户-系统交互或信息交换的概念化尚未被探索。概念化SCS的第一步是理解在用于搜索的仅音频通信信道中使用的会话移动。本文探讨了搜索任务中的会话行为。我们定义了一个定性的方法来创建会话数据集，提出分析协议，并开发SCS数据。此外，我们使用SCS数据创建SCS的第一个注释模式：SCoSAS，使我们能够调查SCS中的交互性。我们进一步建立，SCS需要将互动性和主动性，以克服在一个只有音频的通道构成的信息寻求过程的复杂性。总之，这项探索性研究揭示了SCS的广度。我们的研究结果强调了需要在未来的SCS模型中整合话语，并有助于SCS模型的形式化和SCS系统的设计的进步。
2019-10-30 cs.HC cs.IR cs.MA
A Survey on Conversational Search and Applications in Biomedicine
Kennesaw State University（肯尼索州立大学）
本文的目的是提供一个激进的纲要对话搜索（ConvSearch），一种方法，以提高信息检索方法，用户参与对话的信息搜索任务。在这次调查中，我们主要关注ConvSearch系统的人机交互特性，突出了动作模块的操作，可能是检索系统，搜索引擎和推荐系统。我们标记了知识库、自然语言处理和对话管理系统中的各种ConvSearch研究问题以及动作模块。我们进一步将框架分类为ConvSearch，应用程序针对生物医学和医疗保健领域，以利用临床社会技术。最后，我们通过讨论ConvSearch的挑战和问题来结束，特别是在生物医学领域。我们的主要目标是提供来自不同领域的ConvSearch组件的集成和统一的愿景，这有利于医疗保健系统中的信息搜索过程。
2022-11-28 cs.CL cs.IR
OPERA: Harmonizing Task-Oriented Dialogs and Information Seeking Experience
Iowa State University（爱荷华州立大学）；Microsoft Research（微软研究院）
现有的会话式人工智能研究大多将面向任务的对话（task-oriented dialogue，TOD）和问答（question answering，QA）作为独立的任务来处理。为了实现构建一个能够完成用户任务并支持信息搜索的会话代理的目标，重要的是要构建一个能够处理TOD和QA并访问各种外部知识的系统。在这项工作中，我们提出了一个新的任务，开放式图书TOD（OB-TOD），它结合了TOD与QA任务，并扩展了外部知识源，包括显式知识源（例如，Web）和隐含的知识源（例如，预训练的语言模型）。我们创建了一个新的数据集OB-MultiWOZ，在那里我们用类似QA的信息来丰富TOD会话，以寻求基于外部知识的经验。我们提出了一个统一的模型OPERA（开卷端到端面向任务的对话），它可以适当地访问显式和隐式的外部知识，以解决所定义的任务。实验结果表明，OPERA的卓越性能相比，闭卷基线，并说明了这两种知识类型的价值。
2022-06-24 cs.AI cs.CL cs.IR
RECOR: Reasoning-focused Multi-turn Conversational Retrieval Benchmark
University of Innsbruck（因斯布鲁克大学）；Oracle AI（甲骨文人工智能）
RECOR基准通过分解与验证框架提升多轮对话检索性能，结合历史与推理使nDCG@10提升至0.479，推理专用模型表现优于密集编码器。
2026-01-09 cs.IR
Multi-Stage Conversational Passage Retrieval: An Approach to Fusing Term Importance Estimation and Neural Query Rewriting
University of Waterloo（滑铁卢大学）；Academia Sinica（中央研究院）；National Chengchi University（国立政治大学）
会话搜索在会话信息搜索中起着至关重要的作用。由于自然语言对话中固有的共指和遗漏问题，传统的自组织信息检索（IR）系统在信息搜索对话中的查询是模糊的，因此解决这些模糊性是至关重要的。在本文中，我们解决对话通道检索（ConvPR），对话搜索的一个重要组成部分，通过解决查询歧义与查询重组集成到一个多阶段的ad-hoc IR系统。具体来说，我们提出了两种会话查询重构（CQR）方法：（1）术语重要性估计和（2）神经查询重写。对于前者，我们扩展会话查询使用的重要条款提取的会话上下文与基于频率的信号。对于后者，我们用一个预先训练的序列到序列模型将会话查询重新表达为自然的、独立的、人类可理解的查询。定量和定性地详细分析了两种CQR方法，解释了它们的优点，缺点和不同的行为。此外，为了利用这两种CQR方法的优势，我们建议将它们的输出与倒数等级融合相结合，产生最先进的检索效果，与TREC CAST 2019的最佳提交相比，NDCG@3提高了30%。
2021-03-11 cs.AI cs.CL cs.IR
Leveraging User Simulation to Develop and Evaluate Conversational Information Access Agents
针对对话式信息获取智能体自动评估难、训练依赖语料与专家知识的问题，研究提出利用用户模拟技术，明确模拟器需求并对比现有类型，计划构建混合模拟器并扩展其适配复杂信息检索场景的能力。
2023-12-13 cs.IR
Towards Better Understanding of User Satisfaction in Open-Domain Conversational Search
本文构建中文开放域对话式搜索行为数据集与实验平台，比较用户与第三方满意度标注，并提出DCEBM利用轮次信息建模会话级满意度。
2024-01-24 cs.IR
Augmenting Ad-Hoc IR Dataset for Interactive Conversational Search
本文提出一种从即席信息检索数据集自动构建大规模对话式信息检索数据集的方法，通过生成查询澄清交互和模拟交互增强MsMarco，实验验证了其可行性和有效性。
2023-11-10 cs.IR
Asking Clarifying Questions Based on Negative Feedback in Conversational Search
当用户有复杂的信息搜索需求时，他们经常需要浏览多个搜索结果页面或重新制定查询。对话式搜索系统可以通过询问问题来澄清用户的搜索意图，从而提高用户满意度。然而，这可能需要大量的努力来回答一系列以“什么/为什么/如何”开头的问题。为了快速识别用户意图并减少交互过程中的工作量，我们提出了一个基于是/否问题的意图澄清任务，其中系统需要在最少的会话回合内询问有关意图的正确问题。在这个任务中，使用关于对话历史中先前问题的负面反馈是至关重要的。为此，我们提出了一个最大边际相关（MMR）的BERT模型（MMR-BERT BERT），利用负反馈的基础上MMR原则的下一个澄清问题的选择。在Qulac数据集上的实验表明，MMR-BERT在意图识别任务上的性能明显优于最先进的基线，并且所选问题在相关的文档检索任务中也取得了显着更好的性能。
2021-07-12 cs.IR
Exploiting Simulated User Feedback for Conversational Search: Ranking, Rewriting, and Beyond
针对对话式搜索系统缺乏用户交互数据、难以整合用户反馈的问题，本研究提出基于ConvSim用户模拟器的多轮交互框架，实验证实反馈可显著提升检索性能，并发布3万余条交互转录数据以支持后续研究。
2023-05-07 cs.HC cs.IR
Response Ranking with Deep Matching Networks and External Knowledge in Information-seeking Conversation Systems
Center for Intelligent Information Retrieval, University of Massachusetts Amherst（马萨诸塞大学阿默斯特分校智能信息检索中心）；Alibaba Group（阿里巴巴集团）；Institute of Computing Technology, Chinese Academy of Sciences（中国科学院计算技术研究所）；Dept. of Computer Science, Rutgers University（罗格斯大学计算机科学系）
具有基于文本或基于语音的会话界面的智能个人助理系统在世界各地变得越来越流行。基于检索的会话模型具有返回流畅和信息丰富的响应的优点。现有的研究多集中在开放领域的“闲聊”会话或面向任务/事务的会话上。需要对寻求信息的对话进行更多的研究。在当前的会话模型中，也缺乏对超出对话话语的外部知识的建模。在本文中，我们提出了一个基于深度神经匹配网络的学习框架，该框架利用外部知识在信息搜索会话系统中进行响应排名。我们通过伪相关反馈和QA对应知识蒸馏将外部知识纳入深度神经模型。在三个信息搜索会话数据集上进行的大量实验表明，我们的方法优于各种基线方法，包括几种深度文本匹配模型和最先进的多轮会话响应选择方法。我们还对不同的响应类型，模型变化和排名示例进行分析。我们的模型和研究结果为如何利用外部知识与深度神经模型进行响应选择提供了新的见解，并对下一代信息寻求对话系统的设计产生了影响。
2018-05-09 cs.CL cs.IR
Conversational Search for Learning Technologies
Monash University（莫纳什大学）；Sorbonne Université（索邦大学）；CNRS（法国国家科学研究中心）
对话式搜索是基于用户与系统的合作，目的是解决一个信息搜索任务。在这份报告中，我们讨论了这种合作的含义与学习的角度从用户和系统方面。我们还着重讨论了通过对话搜索的一个关键组成部分，即沟通方式的多模态刺激学习，并讨论了信息检索的含义。最后，我们的研究路线图描述有前途的研究方向和前景。
2020-01-09 cs.AI cs.HC cs.IR
Walert: Putting Conversational Search Knowledge into Action by Building and Evaluating a Large Language Model-Powered Chatbot
本文提出Walert，一个面向RMIT大学计算机科学学位咨询的定制化大语言模型聊天机器人，旨在将对话式搜索领域的最佳实践传递给行业从业者，弥合研究与实际应用之间的知识鸿沟。
2024-01-14 cs.IR
The New Shape of Search: How Conversational AI Recomposes Information Seeking
Scrunch AI
研究将对话助手插入信息获取过程后的变化，通过链接对话与搜索等重建完整过程，发现对话式人工智能改变信息获取形态，其过程分叉，受表达影响，还存在工作台使用等情况，且未取代搜索。
2026-08-26 cs.CY cs.HC cs.IR
Generating Multi-Aspect Queries for Conversational Search
针对对话式搜索中单次查询改写无法覆盖复杂话语信息需求的问题，提出利用LLM生成多方面查询的MQ4CS框架，在5个CIS数据集上验证了性能优势，nDCG@3最高提升85%，并公开相关代码与数据集。
2024-10-31 cs.IR
PAQA: Toward ProActive Open-Retrieval Question Answering
Sorbonne Université（索邦大学）；University of Montréal（蒙特利尔大学）；Université de Lille（里尔大学）
本文提出PAQA数据集，在AmbiNQ基础上加入澄清问题，研究检索对歧义检测和澄清问题生成的影响，以提升对话搜索系统的主动性。
2024-02-26 cs.CL cs.IR
Keyword Extraction for Improved Document Retrieval in Conversational Search
University of Amsterdam（阿姆斯特丹大学）
最近的研究表明，基于用户和计算机之间的交互来澄清和改进查询的混合主动会话搜索提供了巨大的优势。尽管如此，合并用户从对话中提供的附加信息提出了一些挑战。事实上，进一步的交互可能会使系统感到困惑，因为用户可能会使用与信息需求无关的词语，但在多轮对话的背景下，这些词语对于正确的句子构建至关重要。为此，在本文中，我们收集了两个会话关键字提取数据集，并提出了一个端到端的文档检索管道，将它们结合起来。此外，我们研究了两个神经关键词提取模型，即BERT和序列到序列，在提取精度和人类注释方面的性能。最后，我们研究了关键词提取对端到端神经IR性能的影响，并表明我们的方法击败了最先进的IR模型。我们公开这两个数据集，以促进这一领域的研究。
2021-09-22 cs.CL cs.IR
MG-ShopDial: A Multi-Goal Conversational Dataset for e-Commerce
针对现有电商对话数据多聚焦单一目标的问题，本文构建 MG-ShopDial 多目标对话数据集，提出指导式人—人收集协议与网页工具，并分析多目标对话模式。
2023-04-25 cs.IR
ISEEQ: Information Seeking Question Generation using Dynamic Meta-Information Retrieval and Knowledge Graphs
AI Institute, University of South Carolina（南卡罗来纳大学人工智能研究所）；Samsung Research America（三星美国研究院）
会话信息寻求（CIS）是会话人工智能中一个相对较新的研究领域，它试图从最终用户那里寻求信息，以理解和满足用户的需求。如果实现，这样的系统在现实世界中具有深远的好处;例如，CIS系统可以帮助临床医生在医疗保健中对患者进行预筛选或分类。在CIS中的一个关键的开放的子问题，仍然在文献中未得到解决的是生成信息寻求问题（ISQ）的基础上，从最终用户的一个简短的初始查询。为了解决这个问题，我们提出了信息搜索问题生成器（ISEEQ），一种新的方法，从一个简短的用户查询生成ISQ，给出了一个大的文本语料库相关的用户查询。首先，ISEEQ使用知识图谱来丰富用户查询。其次，ISEEQ使用知识丰富的查询检索相关的上下文段落，要求连贯的ISQ坚持一个概念流。第三，ISEEQ引入了一种新的基于深度生成对抗强化学习的方法来生成ISQ。我们表明，ISEEQ可以产生高质量的ISQ，以促进CIS代理的发展。ISEEQ在四个数据集的五个ISQ评估指标上的表现明显优于可比基线，这些数据集具有来自不同领域的用户查询。此外，我们认为，ISEEQ是跨域生成ISQ可转移的，因为它在不同的域对上训练和测试时显示出可接受的性能。定性人工评价证实ISEEQ生成的ISQ在质量上与人工生成的问题相当，并且优于最佳可比基线。
2021-12-13 cs.AI cs.CL cs.IR
AdaCQR: Enhancing Query Reformulation for Conversational Search via Sparse and Dense Retrieval Alignment
Southeast University（东南大学）
AdaCQR通过同时对齐稀疏与稠密检索系统并采用两阶段训练策略，提升了对话式查询改写的泛化能力、效率和鲁棒性，在TopiOCQA和QReCC上优于现有方法。
2025-01-03 cs.CL cs.IR
Asking Clarifying Questions in Open-Domain Information-Seeking Conversations
Università della Svizzera italiana (USI)（瑞士意大利语区大学（USI））；University of Massachusetts Amherst（马萨诸塞大学阿默斯特分校）
用户往往无法在一个查询中表达其复杂的信息需求。因此，他们可能需要扫描多个结果页面或重新制定他们的查询，这可能是一个令人沮丧的经历。或者，系统可以通过主动询问用户的问题来澄清他们的信息需求，从而提高用户满意度。在会话系统中，提出澄清性问题尤其重要，因为它们只能返回有限数量的结果（通常只有一个）。在本文中，我们制定了开放域信息寻求会话系统中的问题澄清的任务。为此，我们提出了一种离线评估方法，并通过众包收集了一个名为Qulac的数据集。我们的数据集建立在TREC Web Track 2009-2012数据的基础上，由198个TREC主题的10 K多个问答对组成，涉及762个方面。我们在Oracle模型上的实验表明，只问一个好问题，就P@1而言，检索性能提高了170%以上，这清楚地表明了任务的潜在影响。我们进一步提出了一个检索框架，包括三个组成部分：问题检索，问题选择，和文档检索。特别是，我们的问题选择模型考虑到原始查询和以前的问答互动，同时选择下一个问题。我们的模型显著优于竞争基准。为了促进这一领域的研究，我们公开了Qulac。
2019-07-15 cs.AI cs.CL cs.IR
Evaluating Large Language Models in Semantic Parsing for Conversational Question Answering over Knowledge Graphs
Technical University of Munich（慕尼黑工业大学）；National Institute of Advanced Industrial Science and Technology（日本国立产业技术综合研究所）
本文评估了未显式预训练的大型语言模型在基于知识的会话式问答中的语义解析性能，发现少样本提示和微调能显著提升其生成图查询的能力，尤其对零样本表现较差的小模型效果更佳。
2024-01-03 cs.CL cs.IR
Knowledge-based Conversational Search
允许直观和全面访问数字存储信息的对话界面仍然是一个雄心勃勃的目标。在这篇论文中，我们通过分析需求和提出具体的解决方案来自动化一些基本组件和任务，这样的系统应该支持对话搜索系统的设计奠定了基础。我们描述了几个相互依赖的研究，进行了分析更先进的会话搜索系统的设计要求，能够支持复杂的类人对话的互动，并提供访问庞大的知识库。在前两章的研究中，我们重点分析了信息寻求对话的共同结构，通过捕捉话语之间的领域独立的功能关系以及来自共享背景知识的特定领域的隐含语义关系的经常性模式。我们的研究结果表明，问答是有效的信息访问所需的关键组成部分之一，但它不是对话搜索系统应该支持的唯一类型的对话交互。在第三章中，我们提出了一种新的方法，从知识图谱的复杂问答，超越了目前的最先进的结果在功效和效率方面。在最后的研究章节中，我们把我们的注意力转向另一种交互模式，我们称之为会话式浏览，其中，不同于问答，会话系统在对话交互过程中起着更积极的作用。我们表明，这种方法可以帮助用户发现相关的项目是很难检索使用问答由于词汇不匹配的问题。
2019-12-14 cs.CL cs.IR
Agentic Conversational Search with Contextualized Reasoning via Reinforcement Learning
University of Montreal（蒙特利尔大学）；University of Massachusetts Amherst（马萨诸塞大学阿默斯特分校）；University of Notre Dame（诺特丹大学）；Northeastern University（东北大学）
本文提出一种基于强化学习的对话搜索代理，通过在对话轮次中交替搜索与推理，实现探索性与适应性行为，优于现有基准方法。
2026-04-15 cs.CL cs.IR
Towards Human-centered Proactive Conversational Agents
National University of Singapore（新加坡国立大学）；Singapore Management University（新加坡管理大学）；Harbin Institute of Technology, Shenzhen（哈尔滨工业大学（深圳））；Georgetown University（乔治城大学）
本文提出人本主动对话智能体应兼顾智能性、适应性与文明性，建立新分类体系，探讨系统构建五阶段的研究机遇与挑战，为对话式信息检索奠基。
2024-04-19 cs.CL cs.HC cs.IR
"Can You Tell Me?": Designing Copilots to Support Human Judgement in Online Information Seeking
Neu-Ulm University of Applied Sciences（新乌尔姆应用科学大学）；University of Regensburg（雷根斯堡大学）
本文提出一种基于LLM的Copilot，旨在支持用户在在线信息寻求中的判断，通过促进数字素养技能提升，但实验显示其在提升回答准确性和搜索参与度方面效果有限。
2026-01-16 cs.HC cs.IR
Making Large Language Models Interactive: A Pioneer Study on Supporting Complex Information-Seeking Tasks with Implicit Constraints
针对现有交互系统难处理带隐含约束的复杂信息寻求请求、大语言模型存在幻觉的问题，提出结合大语言模型理解与强化学习交互的智能体，通过精细优化请求提升检索效果，实验证明其显著优于多个强基线。
2023-10-05 cs.IR
Bridging the Gap Between Information Seeking and Product Search Systems: Q&A Recommendation for E-commerce
Amazon.com, Inc.（亚马逊公司）
本文提出在电子商务商品搜索中集成问答推荐，利用LLM弥合信息检索与商品搜索的鸿沟，讨论问答对生成与推荐优化，并指出挑战与未来方向。
2024-07-16 cs.CL cs.IR
Towards Reliable and Factual Response Generation: Detecting Unanswerable Questions in Information-Seeking Conversations
University of Stavanger（斯塔万格大学）
本文面向信息检索对话中的幻觉问题，提出句子级分类并逐层聚合的可回答性检测方法，基于TREC CAsT构建多层标签数据集，性能超过现有LLM。
2024-01-21 cs.CL cs.IR
A Survey on Recent Advances in Conversational Data Generation
Radboud University（拉博德大学）；University of Amsterdam（阿姆斯特丹大学）
本文系统综述了多轮对话数据生成方法，涵盖开放域、任务导向和信息检索三类对话系统，提出了包含种子数据创建、话语生成和质量过滤的通用框架，并讨论了评估指标与未来方向。
2026-05-28 cs.AI cs.CL cs.IR
Towards Detecting and Mitigating Cognitive Bias in Spoken Conversational Search
本文针对口语对话搜索中交互难以刻画及认知偏差影响信息获取的问题，提出融合多模态仪器与方法的实验框架，并展示初步结果、挑战与伦理建议，以推动该领域研究。
2024-08-06 cs.HC cs.IR
Understanding User Preferences for Interaction Styles in Conversational Recommender Systems: The Predictive Role of System Qualities, User Experience, and Traits
School of Computer Science, University of Technology Sydney（技术科技大学计算机科学学院）；Australian Institute of Health Innovation, Macquarie University（麦觉里大学健康创新研究所）
本研究通过受试者内实验发现，愉悦感、有用性、新颖性和对话质量等预测用户对探索性交互的偏好，并识别出五种用户画像，为对话式推荐系统的自适应设计提供依据。
2025-08-04 cs.CL cs.HC cs.IR
Conversational Recommender System and Large Language Model Are Made for Each Other in E-commerce Pre-sales Dialogue
Harbin Institute of Technology（哈尔滨工业大学）
本文首次探索电商售前对话中LLM与CRS的互补协作，提出CRS辅助LLM和LLM辅助CRS两种方法，并在真实数据集上验证其在多个任务中的有效性。
2024-10-18 cs.CL cs.IR
Evolving Paradigms in Task-Based Search and Learning: A Comparative Analysis of Traditional Search Engine with LLM-Enhanced Conversational Search System
本文比较了传统搜索引擎与LLM增强的对话搜索系统，探讨了LLM对搜索策略、查询制定及学习效果的影响，揭示了生成式AI在信息检索中的作用。
2025-11-29 cs.HC cs.IR
ConvAI3: Generating Clarifying Questions for Open-Domain Dialogue Systems (ClariQ)
University of Amsterdam（阿姆斯特丹大学）；Microsoft Research AI（微软研究院人工智能）；Google Research（谷歌研究院）；University of Glasgow（格拉斯哥大学）；MIPT（莫斯科物理技术学院）
本文档详细描述了澄清对话系统（ClariQ）问题的挑战。该挑战是2020年面向搜索的对话式AI（SCAI）EMNLP研讨会上对话式AI挑战系列（ConvAI3）的一部分。会话系统的主要目的是响应于用户请求返回适当的答案。但是，某些用户请求可能是模糊的。在IR设置中，主要通过搜索结果页面的多样化来处理这种情况。然而，在带宽有限的对话设置中更具挑战性。因此，在这个挑战中，我们提供了一个通用的评估框架来评估混合主动对话。参与者被要求在信息寻求对话中对澄清问题进行排名。挑战分为两个阶段，在第一阶段，我们在离线设置和单轮对话中评估提交的内容。第一阶段的顶级参与者有机会让人类注释者测试他们的模型。
2020-09-23 cs.CL cs.IR
Towards Self-Contained Answers: Entity-Based Answer Rewriting in Conversational Search
Università della Svizzera italiana（瑞士意大利语大学）；University of Stavanger（斯塔万格大学）
针对对话式搜索中回答依赖外部信息的问题，本文构建显著实体标注对话数据集，并提出行内定义与后续问题两种回答改写策略，实验表明改写回答更受用户偏好。
2024-03-04 cs.CL cs.IR
TREC iKAT 2023: A Test Collection for Evaluating Conversational and Interactive Knowledge Assistants
University of Amsterdam（阿姆斯特丹大学）；University of Edinburgh（爱丁堡大学）；University of Strathclyde（思克莱德大学）
TREC iKAT 2023构建了包含36个个性化对话、20个主题和PTKB的测试集，通过344轮对话及多维度评估，为对话式搜索代理研究提供基准。
2024-05-04 cs.AI cs.CL cs.IR
