PerkwE_COQA: Enhanced Persian Conversational Question Answering by combining contextual keyword extraction with Large Language Models

智慧城市需要居民的参与来提高生活质量。对话式查询回答是一种新兴的用户参与方式。人们对超越传统系统的高级对话式问答提出了越来越多的需求。现有方法表明，大型语言模型具有开展对话式问答的良好能力，但可能无法捕捉对话上下文的细微差别。新方法包括理解内容并与用户进行多步对话，以满足他们的需求。本文介绍了一种提高波斯语对话式问答系统性能的新方法。它将大型语言模型（LLMs）的优势与上下文关键字提取相结合。我们的方法提取特定于对话流程的关键字，为LLM提供额外的上下文，以理解用户的意图并生成更相关和连贯的响应。我们通过各种指标评估了这种组合方法的有效性，证明与LLM-only基准相比，在对话式问答性能方面有显著改进。所提出的方法有效处理隐含问题，提供上下文相关的答案，并解决对话上下文影响较大的复杂问题。研究结果表明，我们的方法比现有方法和LLM-only基准高出达8%的评估基准。

本论文旨在提高波斯语对话问答系统的性能，解决现有方法难以捕捉对话上下文细微差别的问题。

论文提出一种新方法，将大型语言模型（LLMs）与上下文关键词提取相结合，以提供更多上下文信息，从而更好地理解用户意图和生成更相关和连贯的回答。

论文通过多种指标评估了该方法的有效性，证明了相比于仅使用LLM的基准线，该方法在对话问答性能方面有显著提高。该方法可以处理隐含问题，提供上下文相关的答案，解决依赖于对话上下文的复杂问题。

最近的相关研究包括：1.《基于注意力机制的对话问答模型》；2.《利用多层感知器和卷积神经网络的对话问答系统》；3.《基于知识图谱和LSTM的对话问答系统》等。