Conversational Query Reformulation with the Guidance of Retrieved Documents

要約

会話検索では、会話の質問に応答するために、与えられた質問の関連するパッセージを取得しようとします。
会話クエリ再編成（CQR）は、オリジナルのクエリを除外された形式に改良して、省略やコアフェレンスなどの元のクエリの問題を解決することにより、会話検索を改善します。
以前のCQRメソッドは、レトリバーの意味のある検索結果を常に生成するとは限らない人間の書面によるクエリの模倣に焦点を当てています。
この論文では、最初に取得されたドキュメントから重要な情報を活用することにより、CQRのクエリを改良するフレームワークであるGuidecQRを紹介します。
具体的には、GUIDECQRはキーワードを抽出し、取得したドキュメントから予想される回答を生成し、フィルタリング後にクエリと統合して、検索プロセスを強化する有用な情報を追加します。
実験結果は、提案された方法が複数のデータセットで最先端のパフォーマンスを達成し、以前のCQRメソッドを上回ることを示しています。
さらに、GUIDECQRは、人間によって書かれたクエリであっても、さまざまなタイプのクエリを使用して会話検索で追加のパフォーマンスを獲得できることを示しています。

要約(オリジナル)

Conversational search seeks to retrieve relevant passages for the given questions in conversational question answering. Conversational Query Reformulation (CQR) improves conversational search by refining the original queries into de-contextualized forms to resolve the issues in the original queries, such as omissions and coreferences. Previous CQR methods focus on imitating human written queries which may not always yield meaningful search results for the retriever. In this paper, we introduce GuideCQR, a framework that refines queries for CQR by leveraging key information from the initially retrieved documents. Specifically, GuideCQR extracts keywords and generates expected answers from the retrieved documents, then unifies them with the queries after filtering to add useful information that enhances the search process. Experimental results demonstrate that our proposed method achieves state-of-the-art performance across multiple datasets, outperforming previous CQR methods. Additionally, we show that GuideCQR can get additional performance gains in conversational search using various types of queries, even for queries written by humans.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google