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.

Du superficiel au profond : intégration des connaissances externes pour la génération de questions de suivi à l'aide de Knowledge Graph et de LLM

Created by
  • Haebom

Auteur

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

Contour

Dans cet article, nous proposons une nouvelle méthode pour générer des questions de suivi contextuelles, approfondies et intéressantes dans un système de dialogue. Pour pallier les limites des méthodes existantes qui ne génèrent que des questions contextuelles simples, nous proposons une méthode d'augmentation des connaissances externes en trois étapes. Tout d'abord, nous identifions le sujet du contexte, construisons un graphe de connaissances (GC) en ligne, puis intégrons les connaissances externes de bon sens à l'aide d'un modèle de langage à grande échelle pour générer des questions de suivi. Les résultats expérimentaux montrent que la méthode proposée génère des questions de suivi plus riches en informations et plus proches du niveau des questions humaines, tout en préservant la pertinence contextuelle.

Takeaways, Limitations

Takeaways:
Suggère la possibilité de générer des questions de suivi plus riches et plus approfondies en tirant parti des connaissances externes
Contribuer à améliorer l'expérience utilisateur du système de conversation
Un pas de plus vers la génération de questions au niveau humain
Démontrer l'efficacité de la fusion d'informations grâce à l'utilisation de graphes de connaissances
Limitations:
Des recherches supplémentaires sont nécessaires sur l’efficacité et la précision de la création de graphiques de connaissances en ligne.
Il est nécessaire de vérifier les performances de généralisation pour différents types de conversations et de questions
Problèmes de coûts et de ressources informatiques dus à la dépendance à des modèles linguistiques à grande échelle
Forte dépendance à la qualité du graphe de connaissances. Un graphe de connaissances inexact peut réduire la qualité des questions.
👍