Daily Arxiv

Cette page résume et organise les publications en intelligence artificielle du monde entier.
Les contenus sont synthétisés grâce à Google Gemini et le service est proposé à but non lucratif.
Les droits d'auteur des articles appartiennent à leurs auteurs ou institutions respectives ; en cas de partage, il suffit d'en mentionner la source.

ICR : clarification et réécriture itératives pour la recherche conversationnelle

Created by
  • Haebom

Auteur

Zhiyu Cao, Peifeng Li, Qiaoming Zhu

Contour

Cet article souligne que la plupart des recherches existantes sur la réécriture de requêtes conversationnelles reposent sur une approche de bout en bout, qui peine à identifier et à réécrire simultanément plusieurs expressions ambiguës au sein d'une requête. Pour y remédier, nous proposons un nouveau cadre, la clarification et la réécriture itératives (ICR), qui effectue une réécriture itérative centrée sur la désambiguïsation des requêtes. L'ICR alterne entre la génération de questions de désambiguïsation et leur réécriture. Les résultats expérimentaux démontrent que l'ICR améliore systématiquement les performances de récupération grâce à ce processus itératif sur deux ensembles de données représentatifs, atteignant ainsi des performances de pointe.

Takeaways, Limitations

Takeaways:
Une nouvelle approche pour surmonter les limitations des méthodes de bout en bout dans la réécriture de requêtes conversationnelles est présentée.
Résolvez les problèmes d’ambiguïté et améliorez les performances de recherche en utilisant des questions de désambiguïsation de requête.
A démontré un potentiel d’amélioration continue des performances grâce à un processus itératif de clarification-réécriture.
Atteindre des performances de pointe sur deux ensembles de données représentatifs.
Limitations:
Des recherches supplémentaires sont nécessaires pour déterminer la généralisabilité du cadre ICR proposé.
D’autres évaluations de performances sont nécessaires pour différents types de requêtes et d’ensembles de données.
Une analyse plus approfondie de la qualité et de l’efficacité des questions de clarification est nécessaire.
Une évaluation de l’applicabilité et de l’expérience utilisateur dans des environnements d’utilisation réels est requise.
👍