Estimating the Usefulness of Clarifying Questions and Answers for Conversational Search

虽然针对在混合主动性对话搜索系统中构建和生成澄清问题的研究已经很广泛，但是针对处理和理解用户对这些问题的回答的研究却很少。为此，我们提出了一种简单而有效的方法来处理回答澄清问题，摆脱了以前的方法，即将答案附加到原始查询中，从而可能降低检索性能。具体来说，我们提出了一个分类器来评估提示澄清问题和用户给出的回答的有用性。有用的问题或答案进一步附加到对话历史记录中，并传递给基于转换器的查询重写模块。结果表明，与强非混合主动性基线相比，有了显著的改进。此外，所提出的方法可以缓解在使用无用问题和答案时性能下降的问题。

论文提出了一个简单而有效的方法，用于处理用户对澄清问题的回答，以提高混合主动/被动对话式搜索系统的检索性能。

论文提出了一个分类器来评估提示的澄清问题和用户给出的回答的有用性，并将有用的问题或答案附加到对话历史记录中，并传递给基于transformer的查询重写模块。

实验结果表明，该方法比强非混合主动/被动对话式搜索系统基线有显著的改进，并且在使用非有用的问题和答案时减少了性能下降。论文使用了多个数据集，并提供了开源代码。

最近的相关研究包括“Towards Generating Clarification Questions for Open Domain Information-Seeking Conversations”和“Answering Clarification Questions in Conversational Information Seeking Systems Using Transformer-Based Sequence-to-Sequence Models”等。