IRLab@iKAT24: Learned Sparse Retrieval with Multi-aspect LLM Query Generation for Conversational Search
University of Amsterdam（阿姆斯特丹大学）
本文研究对话式搜索中的查询重写，提出基于MQ4CS框架的多维度LLM查询生成方法，并结合SPLADE学习型稀疏检索与交叉编码器重排序，在iKAT 2024任务中验证了该方法能有效提升检索性能并超越人工重写效果。
2024-11-22 cs.CL cs.IR
Parameter-Efficient Conversational Recommender System as a Language Processing Task
Nanyang Technological University（南洋理工大学）；School of Computer Science and Engineering（计算机科学与工程学院）；Singapore University of Technology and Design（新加坡科技设计大学）
本文将对话式推荐系统形式化为自然语言处理任务，提出统一模型PECRS，利用预训练语言模型在单一阶段内同时完成物品编码、意图理解、语义匹配推荐和对话生成，无需知识图谱，并在两个基准数据集上验证了有效性。
2024-02-25 cs.CL
Conversational Context Classification: A Representation Engineering Approach
Nanyang Technological University Singapore（南洋理工大学新加坡）
本文提出利用表示工程和一类支持向量机识别LLM内部状态中的上下文子空间，以提高对话上下文检测的准确性。
2026-01-18 cs.AI cs.CL cs.CR
cTBLS: Augmenting Large Language Models with Conversational Tables
The Georgia Institute of Technology（佐治亚理工学院）
本文提出cTBLS架构，通过稠密表格检索、粗细粒度表格知识排序与GPT-3.5生成相结合，显著提升对话LLM的准确性与信息量。
2023-05-31 cs.AI cs.CL
Conversational Response Re-ranking Based on Event Causality and Role Factored Tensor Event Embedding
Nara Institute of Science and Technology（奈良先端科学技术大学院大学）；PRESTO Japan Science Technology Agency（日本科学技术振兴机构PRESTO项目）
我们提出了一种新的方法来选择一个给定的对话上下文的连贯性和多样性的反应。所提出的方法通过使用对话历史中的事件与响应候选之间的事件因果关系（例如，"be stressed out“（强调）先于”relieve stress“（减轻压力）。我们使用分布式事件表示的基础上的角色因子张量模型的事件因果关系，由于有限的事件因果关系的知识系统的一个强大的匹配。实验结果表明，该方法提高了系统响应的一致性和对话的连续性。
2019-06-24 cs.CL
Detecting Generated Native Ads in Conversational Search
Leipzig University（莱比锡大学）；Friedrich-Schiller-Universität Jena（弗里德里希·席勒·耶拿大学）；Bauhaus-Universität Weimar（魏玛包豪斯大学）
本文构建Webis Generated Native Ads 2024数据集，研究用LLMs或微调句子变换器检测对话式搜索响应中自动插入的原生广告，发现句子变换器精确率和召回率超0.9，而LLMs表现不佳。
2024-04-30 cs.CL cs.IR
Improving Conversational Recommendation Systems' Quality with Context-Aware Item Meta Information
Columbia University（哥伦比亚大学）；University of California, Davis（加州大学戴维斯分校）
会话式推荐系统（CRS）通过从对话历史中推断用户偏好，提供准确的推荐并生成适当的响应来与用户互动。以前的CRS使用基于知识图谱（KG）的推荐模块，并将KG与语言模型集成以用于响应生成。虽然基于KG的方法被证明是有效的，但仍有两个问题有待解决。首先，基于KG的方法忽略了会话背景中的信息，而仅仅依赖于实体关系和词袋来推荐项目。第二，它需要大量的工程工作来维护模型域特定关系的KG，从而导致更少的灵活性。在本文中，我们提出了一个简单而有效的架构，包括一个预先训练的语言模型（PLM）和一个项目元数据编码器。编码器学习将项目元数据映射到可以反映对话上下文中的语义信息的嵌入。然后，PLM将语义对齐的项目嵌入与对话上下文一起使用，以生成高质量的建议和响应。我们的模型不是用KG建模实体关系，而是通过直接将每个项目转换为嵌入来降低工程复杂性。在基准数据集ReDial上的实验结果表明，我们的模型在推荐和响应生成任务上都获得了最先进的结果。
2021-12-15 cs.AI cs.CL cs.IR
ConvSDG: Session Data Generation for Conversational Search
Université de Montréal（蒙特利尔大学）；RALI（RALI（机器翻译与计算语言学研究实验室））；Renmin University of China（中国人民大学）；University of Massachusetts Amherst（马萨诸塞大学阿默斯特分校）；Beijing Jiaotong University（北京交通大学）
提出ConvSDG框架，利用大语言模型生成对话会话数据以缓解训练数据稀缺，通过无监督和半监督学习提升对话式稠密检索性能，实验验证其有效性和广泛适用性。
2024-03-17 cs.CL cs.IR
Controlling Output Rankings in LLM-Based Search via Generative Engine Optimization
School of Information Sciences, University of Illinois at Urbana-Champaign, IL, USA（伊利诺伊大学厄巴纳-香槟分校信息科学学院）；Independent Researcher, Starc Institute（Starc研究所独立研究者）；Research Scientist, Intel Labs, Santa Clara, CA, USA（英特尔实验室研究科学家）
CORE通过优化内容生成，提升基于LLM的搜索中小企业产品的可见性，实现高推广成功率。
2026-10-22 cs.AI cs.CL cs.IR
Toward Safe and Human-Aligned Game Conversational Recommendation via Multi-Agent Decomposition
Roblox Corporation（Roblox公司）；University of Cambridge（剑桥大学）
MATCHA通过多智能体框架提升游戏对话推荐的安全性与人本对齐，实现更精细的个性化和更强的对抗防御能力。
2026-02-25 cs.CL cs.HC cs.IR
Contextual ASR Error Handling with LLMs Augmentation for Goal-Oriented Conversational AI
University of Pittsburgh（匹兹堡大学）；Northeastern University（东北大学）
针对目标导向对话中缺乏先验数据且语言多变的 ASR 错误，提出 LLM 上下文增强与双向排序纠错方法，在真实家庭装修和烹饪场景中显著提升召回率与 F1。
2025-01-10 cs.AI cs.CL
C-SEO Bench: Does Conversational SEO Work?
Parameter Lab（参数实验室）；UKP Lab（UKP实验室）；Technical University of Darmstadt（达姆施塔特技术大学）；Data and Web Science Group（数据与网络科学组）；University of Mannheim（曼海姆大学）；University of Tübingen（图宾根大学）；Tübingen AI Center（图宾根人工智能中心）；NAVER AI Lab（NAVER人工智能实验室）
提出C-SEO Bench基准，跨任务、领域及多参与者采用率评估对话式SEO，发现多数C-SEO方法无效甚至损害排名，传统SEO更有效且收益随采用者增加而下降。
2025-10-20 cs.AI cs.CL cs.IR
OnePiece: Bringing Context Engineering and Reasoning to Industrial Cascade Ranking System
Renmin University of China（中国人民大学）；Shopee；University of Science and Technology of China（中国科学技术大学）；National University of Singapore（新加坡国立大学）
本文提出OnePiece统一框架，将LLM式上下文工程与多步推理引入工业级联排序系统，通过结构化上下文、分块潜在推理和渐进式多任务训练，在Shopee搜索场景实现GMV/UU提升超2%及广告收入提升2.90%。
2025-09-22 cs.AI cs.CL cs.IR
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
Insert-expansions for Tool-enabled Conversational Agents
University of St.Gallen（圣加仑大学）
本文针对工具赋能对话智能体易偏离用户意图的问题，提出“用户即工具”的插入扩展交互概念，并通过两项实证研究验证了该方法在推荐领域的有效性。
2023-07-04 cs.AI cs.CL cs.HC
Conversational Contextual Cues: The Case of Personalization and History for Response Ranking
Google Inc（谷歌公司）
我们调查的任务建模开放域，多轮，非结构化，多参与者，会话对话。我们专门研究了将对话的不同元素结合起来的效果。与以前的努力，专注于建模的消息和响应，我们扩展到长期的上下文和参与者的历史建模。我们的系统不依赖于手写规则或工程特征;相反，我们在大型会话数据集上训练训练深度神经网络。特别是，我们利用Reddit评论和帖子的结构提取了21亿条消息和1.33亿次对话。我们评估了我们的模型在预测对话中的下一个响应的任务，我们发现，建模上下文和参与者提高了预测精度。
2016-06-01 cs.CL cs.LG
Exploring the Potential of Conversational AI Support for Agent-Based Social Simulation Model Design
University of Nottingham（诺丁汉大学）
本研究探索利用对话式AI系统（如ChatGPT）辅助基于智能体的社会仿真模型设计，通过提示工程和工程化框架，在短时间内生成概念模型，并验证了其可行性与实用性。
2025-10-07 cs.AI cs.CL cs.HC
CROWN: Conversational Passage Ranking by Reasoning over Word Networks
Max Planck Institute for Informatics（马克斯·普朗克信息学研究所）；Saarland Informatics Campus（萨尔兰信息学园区）
围绕一个主题的信息需求不能在一个回合中得到满足;用户通常会提出涉及同一主题的后续问题，系统必须能够理解请求的会话上下文以检索正确的答案。在本文中，我们向TREC对话协助跟踪2019提交了我们的意见书，其中探讨了这样的对话设置。我们提出了一个简单的无监督的方法，通过制定一个查询的相似性和连贯性相结合的通道分数的会话通道排名。具体来说，段落中包含的单词在语义上与问题中使用的单词相似，并且这些单词出现在附近。我们建立了一个词邻近网络（WPN）从一个大的语料库，其中的单词是节点，如果他们共同出现在同一个通道在统计上显着的方式，在一个上下文窗口的两个节点之间有一个边缘。我们的方法，名为CROWN，提高了nDCG分数在CAST训练数据上提供的Indri基线。根据CAsT的评估数据，我们的最佳运行提交在AP@5和nDCG@1000方面达到了高于平均水平的性能。
2020-02-11 cs.CL cs.IR
Towards Automated Error Discovery: A Study in Conversational AI
Ubiquitous Knowledge Processing Lab (UKP Lab), Department of Computer Science and Hessian Center for AI (hessian.AI), Technical University of Darmstadt（德累斯顿技术大学）
针对 LLM 难以发现未明确指定错误的问题，提出自动化错误发现框架及基于编码器的 SEEED 方法，通过增强损失函数与样本排序提升表示学习，在多数据集上超越 GPT-4o 等基线，将未知错误检测准确率提升达 8 个百分点。
2025-09-13 cs.AI cs.CL cs.HC
Distributional Metrics for Evaluating Spoken Conversational Systems
KTH Royal Institute of Technology（KTH皇家理工学院）；NICT（日本信息通信研究机构）；Charles University（查理大学）；Karlsruhe Institute of Technology（卡尔斯鲁厄理工学院）；University of Edinburgh（爱丁堡大学）
本文提出对话分布得分（CDS），通过可解释特征比较对话行为分布，以人类对话为参考，评估口语对话系统，并验证其排名与听者偏好的一致性。
2026-09-29 cs.CL cs.SD eess.AS
Leveraging Query Resolution and Reading Comprehension for Conversational Passage Retrieval
University of Amsterdam（阿姆斯特丹大学）；Apple Inc.（苹果公司）
本文介绍了UvA.ILPS集团参加TREC CAST 2020的情况。我们的段落检索管道包括（i）使用BM 25的初始检索模块，以及（ii）将BERT排名模型的得分与针对段落检索调整的机器理解模型的得分相结合的重新排名模块。会话段落检索中的一个重要挑战是查询通常是指定不足的。因此，我们执行查询解析，即使用QuReTeC（术语分类查询解析模型）将会话历史中缺失的上下文添加到当前回合查询中。我们表明，我们最好的自动和手动运行优于相应的中位数运行了很大的保证金。
2021-02-17 cs.CL cs.IR
Conversational Search with Mixed-Initiative -- Asking Good Clarification Questions backed-up by Passage Retrieval
IBM Research AI（IBM研究院人工智能部门）；Haifa University（海法大学）
我们处理的情况下，对话式搜索，用户查询是根据规定或模棱两可的。这就需要一种混合倡议的体制。用户提问（查询）和系统回答，以及系统提问（澄清问题）和用户回答，以澄清她的信息需求。我们专注于选择下一个澄清问题的任务，给出对话的背景。我们的方法利用从背景内容中检索的段落来微调两个深度学习模型，用于对候选澄清问题进行排名。我们在两个不同的用例上评估了我们的方法。第一种是在大型网络集合中进行开放域会话搜索。第二种是以任务为导向的客户支持设置。我们表明我们的方法在这两种用例中都表现良好。
2022-05-23 cs.CL
Query Tracking for E-commerce Conversational Search: A Machine Comprehension Perspective
Alibaba Group（阿里巴巴集团）
随着对话技术的发展，对话式搜索因其能使用户以自然、高效的方式与搜索引擎进行交互而受到越来越多的关注。然而，与传统面向任务对话中的自然语言理解侧重于槽填充和跟踪相比，电子商业会话搜索中的查询理解由于用户表达的多样性和复杂性而具有很大的不同和挑战性。在这项工作中，我们定义了现实世界的查询跟踪问题，在电子商业会话搜索，其中的目标是更新后的每一轮互动的内部查询。我们还提出了一个基于自我注意的神经网络来处理任务的机器理解的角度来看。此外，我们建立了一个新的电子商业查询跟踪数据集从一个操作电子商业搜索引擎，并在这个数据集上的实验结果表明，我们提出的模型优于几个基线方法的精确匹配精度和F1分数的大幅增长，显示了机器理解的潜力，如模型为这项任务。
2018-10-08 cs.CL
FCC: Fusing Conversation History and Candidate Provenance for Contextual Response Ranking in Dialogue Systems
Emory University（埃默里大学）
本文提出FCC框架，通过融合对话历史与候选来源的领域知识提升多轮对话响应排序性能，在MSDialog数据集上Recall@1提升7%、MAP提升4%。
2023-03-31 cs.AI cs.CL
Learning User-Aware Recall: Personalized Retrieval in Long-Term Conversational Memory
Baidu Inc.（百度公司）；The University of Queensland（昆士兰大学）
提出PPRO框架，通过用户画像引导的排序和基于GRPO的查询重写，实现个性化记忆检索，在LoCoMo和LongMemEval-S上取得一致提升。
2026-07-03 cs.AI cs.CL cs.IR
Achieving Conversational Goals with Unsupervised Post-hoc Knowledge Injection
UC San Diego（加州大学圣地亚哥分校）；Carnegie Mellon University（卡内基梅隆大学）
当前神经对话模型的局限性在于，它们往往在生成的响应中缺乏特异性和信息性，这主要是由于依赖于覆盖有限种类的场景并传达有限知识的训练数据。缓解此问题的一种方法是在解码时从外部源提取相关知识并将其并入对话响应中。在本文中，我们提出了一种事后知识注入技术，我们首先检索一组不同的相关知识片段的条件下，从现有的对话模型的对话历史和初始响应。我们构建多个候选响应，使用基于梯度的解码方法将每个检索到的片段单独注入初始响应，然后使用无监督排名步骤选择最终响应。我们在目标导向和知识为基础的对话设置的实验表明，人类注释者判断所提出的方法的输出更吸引人，信息量更大，从以前的对话系统的响应相比。我们进一步表明，知识增强促进成功实现会话目标，在这两个实验设置。
2022-03-22 cs.CL
Automatic Ranking of MT Outputs using Approximations
Banasthali University（巴纳斯塔利大学）
长期以来，人们一直在研究机器翻译。尽管如此，我们没有得到良好的翻译从机器翻译引擎如此发达。对这些产出进行人工排序往往非常耗时和昂贵。确定哪一个比另一个更好或更差是一项非常繁重的任务。在本文中，我们展示了一种方法，它可以提供自动排名MT输出（翻译）从不同的MT引擎，这是基于N-gram近似。我们提供了一个解决方案，其中排名系统不需要人为干预。此外，我们还显示了我们的结果，表现出相当于人类排名的结果的评价。
2013-11-22 cs.CL
Code Search Debiasing:Improve Search Results beyond Overall Ranking Performance
Xiamen University（厦门大学）；School of Software Engineering, Sun Yat-sen University（中山大学软件工程学院）；Tencent（腾讯）
本文从分析模型偏见的新视角研究代码搜索，提出一种通用的去偏框架，通过重排序校准搜索结果以缓解偏见，实验证明其能有效减偏并提升整体排序性能。
2024-02-17 cs.CL
User Intent Inference for Web Search and Conversational Agents
Emory University（埃默里大学）
用户意图理解是设计会话代理和搜索引擎的关键步骤。检测或推断用户意图是具有挑战性的，因为用户话语或查询可能是简短的、模糊的并且依赖于上下文。针对这些研究挑战，本文的研究工作主要集中在：1）会话主体的话语主题和意图分类; 2）Web搜索引擎的查询意图挖掘和分类，主要针对电子商务领域。为了解决第一个问题，我提出了新的模型，将实体信息和会话上下文线索，以预测用户的话语的主题和意图。对于第二个研究主题，我计划将现有的Web搜索意图预测方法扩展到电子商务领域，通过：1）开发一个联合学习模型来预测搜索查询的意图和与之相关的产品类别，2）发现新的隐藏用户的意图。所有的模型都将在一个主要的电子商务网站搜索引擎的真实查询上进行评估。来自这些研究的结果可以被利用来提高各种任务的性能，诸如自然语言理解、查询范围确定、查询建议和排名，从而产生丰富的用户体验。
2020-07-08 cs.CL cs.IR
Open-Retrieval Conversational Question Answering
University of Massachusetts Amherst（马萨诸塞大学阿默斯特分校）；Ant Financial（蚂蚁金融）；Alibaba Group（阿里巴巴集团）
对话式检索是信息检索的最终目标之一。最近的研究方法会话搜索的简化设置的响应排名和会话的问答，其中答案是从一个给定的候选集选择或从一个给定的通道提取。这些简化忽略了检索在会话搜索中的基本作用。为了解决这一限制，我们引入了一个开放检索会话式问答（ORConvQA）设置，在那里我们学习从一个大的集合中检索证据，然后提取答案，作为构建功能会话搜索系统的进一步步骤。我们创建了一个数据集OR-QuAC，以促进对ORConvQA的研究。我们为ORConvQA构建了一个端到端的系统，其中包括一个检索器、一个重排序器和一个读取器，这些都是基于Transformers的。我们在OR-QuAC上的大量实验表明，可学习的检索器对ORConvQA至关重要。我们进一步表明，当我们在所有系统组件中启用历史建模时，我们的系统可以做出实质性的改进。此外，我们表明，reranker组件有助于通过提供正则化效果的模型性能。最后，进行了进一步的深入分析，以提供新的见解ORConvQA。
2020-05-22 cs.CL cs.IR
DS@GT at eRisk 2025: From prompts to predictions, benchmarking early depression detection with conversational agent based assessments and temporal attention models
Georgia Institute of Technology（佐治亚理工学院）
DS@GT团队在eRisk 2025挑战赛中，利用提示词工程驱动多种LLMs进行基于BDI-II的对话式抑郁症检测，通过跨模型一致性评估，其最佳提交在官方排行榜排名第二。
2025-07-15 cs.CL
ShopTalk: A System for Conversational Faceted Search
Google（谷歌）
我们提出ShopTalk，一个多回合的会话分面搜索系统的购物，旨在处理大型和复杂的模式，超出了范围的最先进的插槽填充系统。ShopTalk将对话管理从实现中分离出来，从而允许对话理解系统是域不可知的，并且不依赖于特定的购物应用。对话理解系统由深度学习的上下文语言理解模块和主要基于规则的对话状态跟踪器（DST）组成，上下文理解模块解释用户话语，DST更新对话状态并制定针对实现引擎的搜索请求。这两个模块之间的接口由一组最小的与域无关的“意图操作符”组成，这些操作符指示DST如何更新对话框状态。ShopTalk于2020年部署在Google Assistant上，用于购物搜索。
2021-09-02 cs.CL
Topic Propagation in Conversational Search
ISTI-CNR（意大利国家研究委员会信息科学与技术研究所）；University of Pisa（比萨大学）；Georgetown University（乔治城大学）
在会话语境中，用户将她的多方面信息需求表达为一系列自然语言问题，即，话语从一个给定的主题开始，对话通过用户的话语和系统的回复。由于自然语言的模糊性以及难以检测话语之间可能的主题转移和语义关系，与会话中给定话语相关的文档的检索是具有挑战性的。我们采用2019年TREC会话助理跟踪（CAST）框架来实验模块化架构，执行：（i）主题感知话语重写，（ii）检索重写话语的候选段落，以及（iii）基于神经的候选段落重新排名。我们提出了一个全面的实验评估的架构评估传统的IR指标在小的截止。实验结果表明，我们的技术的有效性，实现了0.28（+93%）的P@1和0.19（+89.9%）的nDCG@3 w.r.t. CAST基线。
2020-04-29 cs.CL cs.IR
PolyResponse: A Rank-based Approach to Task-Oriented Dialogue with Application in Restaurant Search and Booking
PolyAI Limited（PolyAI有限公司）
我们提出了PolyResponse，一个会话式的搜索引擎，支持面向任务的对话。它是一种基于检索的方法，绕过了传统的面向任务的对话系统的复杂的多组件设计和使用特定于任务的本体形式的显式语义。PolyResponse引擎基于从真实对话中提取的数亿个示例进行训练：它可以学习在不同的对话环境中什么样的响应是合适的。然后，它根据文本和视觉响应与给定上下文的相似性对它们的大索引进行排名，并在多轮对话期间缩小相关实体的列表。我们介绍了一个由PolyResponse引擎提供支持的餐厅搜索和预订系统，目前有8种不同的语言。
2019-09-03 cs.CL
BERT Embeddings Can Track Context in Conversational Search
NOVA School of Science and Technology（新里斯本大学科学与技术学院）
使用会话助手搜索信息在公众中越来越受欢迎，推动研究走向更先进和复杂的技术。特别是在过去的几年中，人们对对话式搜索的兴趣正在增加，这不仅是因为对话式助理的普遍化，而且还因为对话式搜索是允许与系统进行更自然交互的一个进步。在这项工作中，重点是探索通过历史话语和各自的嵌入会话的上下文呈现，目的是开发一个会话搜索系统，帮助人们以自然的方式搜索信息。特别是，该系统必须能够理解提出问题的上下文，跟踪对话的当前状态，并检测对先前问题和答案的提及。我们通过使用基于神经查询重写模型的上下文跟踪组件来实现这一点。该系统的另一个关键方面是提供给定问题和会话历史的最相关答案。为了实现这一目标，我们使用了一种基于transformer的重新排序方法，并扩展了该架构以使用会话上下文。开发的系统所获得的结果显示了使用自然语言话语和整个对话中生成的神经嵌入中存在的上下文的优势。
2021-04-13 cs.CL cs.IR cs.LG
Towards a Search Engine for Machines: Unified Ranking for Multiple Retrieval-Augmented Large Language Models
University of Massachusetts Amherst（马萨诸塞大学阿默斯特分校）
本文提出uRAG框架，通过统一检索引擎服务多个下游RAG系统，并构建含36个RAG系统的大规模实验生态，以研究面向机器的搜索引擎的核心问题。
2024-04-30 cs.CL cs.IR
Zero-shot Clarifying Question Generation for Conversational Search
University of Utah（犹他大学）；Microsoft（微软）；Tsinghua University（清华大学）
搜索和会话助理的长期挑战是在模糊查询中的查询意图检测。在会话搜索中提出澄清性问题已被广泛研究，并被认为是解决查询歧义的有效方法。现有的工作已经探索了各种方法来澄清问题的排名和生成。然而，由于缺乏真实的会话搜索数据，他们不得不使用人工数据集进行训练，这限制了他们对真实世界搜索场景的推广能力。因此，业界不愿意在现实中实现它们，进一步暂停了真实对话搜索交互数据的可用性。上述困境一般可以表述为澄清问题生成和会话搜索的冷启动问题。此外，即使我们确实有大规模的会话日志，在开放域搜索场景中收集可以全面覆盖所有可能的查询和主题的训练数据也是不现实的。因此，在不全面的数据集上训练澄清问题检索/生成模型时的拟合偏差风险是另一个重要挑战。在这项工作中，我们创新性地探索在一个zero-shot设置生成澄清问题，以克服冷启动问题，我们提出了一个约束澄清问题生成系统，使用问题模板和查询方面，以指导有效和精确的问题生成。实验结果表明，我们的方法优于现有的国家的最先进的zero-shot基线的大幅度。对我们的模型输出的人类注释也表明，我们的方法生成了25.2%的自然问题，18.1%的有用问题，6.1%的不自然问题和4%的无用问题。
2023-02-10 cs.CL cs.IR
Can ChatGPT-like Generative Models Guarantee Factual Accuracy? On the Mistakes of New Generation Search Engines
Nanyang Technological University（南洋理工大学）；DAMO Academy, Alibaba Group（阿里巴巴集团达摩院）
本文通过分析微软、谷歌等将搜索引擎与类 ChatGPT 对话式 AI 结合的公开演示，指出其中存在大量事实错误，呼吁提升模型透明度与事实正确性。
2023-03-03 cs.AI cs.CL
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
