Dynamic Contexts for Generating Suggestion Questions in RAG Based Conversational Systems

本文研究了与基于检索增强生成（RAG）的对话代理进行交互时，用户必须精心制定查询以便被正确理解的问题。然而，了解系统的能力对于用户来说可能是具有挑战性的，导致需要进一步澄清的模糊问题。本文旨在通过开发建议问题生成器来弥合这一差距。为了生成建议问题，我们的方法涉及利用动态上下文，其中包括动态的少样本示例和动态检索的上下文。通过实验，我们展示了动态上下文方法可以生成比其他提示方法更好的建议问题。

本论文旨在开发一种建议问题生成器，以解决用户与Retrieval-Augmented Generation（RAG）对话代理交互时的问题。用户往往需要仔细制定查询，以便系统能够正确理解，但是了解系统的能力对于用户来说可能具有挑战性，这可能导致需要进一步澄清的模糊问题。这篇论文旨在通过开发建议问题生成器来弥合这一差距。

本论文的关键思路是利用动态上下文，包括动态的少量样本和动态检索到的上下文，以生成更好的建议问题。与其他提示方法相比，动态上下文方法可以生成更好的建议问题。

实验结果表明，动态上下文方法可以生成比其他提示方法更好的建议问题。该论文还介绍了一种新的评估指标，用于评估建议问题的质量。论文使用了两个数据集进行实验，并且开源了代码。

最近的相关研究包括：1.《Improving Multi-Step Reasoning in Retrieval-Augmented Generation》；2.《Interactive Learning for Retrieval-Augmented Generation》；3.《Retrieval-Augmented Generation for Knowledge-Intensive Tasks》等。