Daily Arxiv

Esta página recopila y organiza artículos sobre inteligencia artificial publicados en todo el mundo.
La información aquí presentada se resume utilizando Google Gemini y el sitio se gestiona sin fines de lucro.
Los derechos de autor de los artículos pertenecen a sus autores y a las instituciones correspondientes; al compartir el contenido, basta con citar la fuente.

De lo superficial a lo profundo: Integración del conocimiento externo para la generación de preguntas de seguimiento mediante Knowledge Graph y LLM

Created by
  • Haebom

Autor

Jianyu Liu, Yi Huang, Sheng Bi, Junlan Feng, Guilin Qi

Describir

En este artículo, proponemos un método novedoso para generar preguntas de seguimiento contextuales, profundas e interesantes en un sistema de diálogo. Para superar las limitaciones de los métodos existentes que solo generan preguntas contextuales simples, proponemos un método de aumento de conocimiento externo en tres pasos. Primero, identificamos el tema del contexto, construimos un grafo de conocimiento (GC) en línea y, a continuación, integramos el conocimiento de sentido común externo mediante un modelo de lenguaje a gran escala para generar preguntas de seguimiento. Los resultados experimentales muestran que el método propuesto genera preguntas de seguimiento con mayor contenido informativo y más cercanas al nivel de las preguntas humanas, manteniendo la relevancia contextual.

Takeaways, Limitations

Takeaways:
Sugiere la posibilidad de generar preguntas de seguimiento más ricas y profundas aprovechando el conocimiento externo.
Contribuir a mejorar la experiencia del usuario del sistema de conversación
Un paso más cerca de la generación de preguntas a nivel humano
Demostrando la eficacia de la fusión de información mediante el uso de gráficos de conocimiento
Limitations:
Se necesita más investigación sobre la eficiencia y precisión de la creación de gráficos de conocimiento en línea.
Es necesario verificar el rendimiento de la generalización para diferentes tipos de conversaciones y preguntas.
Problemas de costos y recursos computacionales debido a la dependencia de modelos lingüísticos a gran escala
Alta dependencia de la calidad del grafo de conocimiento. Un grafo de conocimiento impreciso puede reducir la calidad de las preguntas.
👍