[论文解读] Knowledge-based Conversational Search

Svitlana Vakulenko|arXiv (Cornell University)|Dec 1, 2019

Speech and dialogue systems参考文献 192被引用 3

一句话总结

本论文提出了一种基于知识的对话式搜索框架，整合了问答与对话式浏览，以支持复杂、多轮次的信息检索对话。通过利用知识图谱和结构化对话建模，该方法在处理词汇不匹配问题以及通过互动式叙事实现主动发现方面，显著提升了信息检索的效率与效果。

ABSTRACT

Conversational interfaces that allow for intuitive and comprehensive access to digitally stored information remain an ambitious goal. In this thesis, we lay foundations for designing conversational search systems by analyzing the requirements and proposing concrete solutions for automating some of the basic components and tasks that such systems should support. We describe several interdependent studies that were conducted to analyse the design requirements for more advanced conversational search systems able to support complex human-like dialogue interactions and provide access to vast knowledge repositories. In the first two research chapters, we focus on analyzing the structures common to information-seeking dialogues by capturing recurrent patterns in terms of both domain-independent functional relations between utterances as well as domain-specific implicit semantic relations from shared background knowledge. Our results show that question answering is one of the key components required for efficient information access but it is not the only type of dialogue interactions that a conversational search system should support. In the third research chapter, we propose a novel approach for complex question answering from a knowledge graph that surpasses the current state-of-the-art results in terms of both efficacy and efficiency. In the last research chapter, we turn our attention towards an alternative interaction mode, which we termed conversational browsing, in which, unlike question answering, the conversational system plays a more pro-active role in the course of a dialogue interaction. We show that this approach helps users to discover relevant items that are difficult to retrieve using only question answering due to the vocabulary mismatch problem.

研究动机与目标

• 设计一种支持复杂、类人对话交互的对话式搜索系统，超越简单的问答任务。
• 通过实现主动的、基于知识的探索，解决信息检索中的词汇不匹配问题。
• 开发一种支持互动式叙事的框架，整合叙事构建、生成与用户驱动的对话。
• 通过结构优化，提升知识图谱上问答任务的效率与效果。
• 基于用户交互实现对话行为的持续学习与自适应。

提出的方法

• 提出一种基于消息传递与基于图的推理的新方法，用于知识图谱上的复杂问答，以提升准确率与响应速度。
• 设计了一种对话式浏览交互模式，系统通过信息性概念优先排序，主动引导用户浏览知识图谱结构。
• 提出一种基于话语间功能关系与语义关系的对话结构分析方法，基于共享背景知识进行建模。
• 基于知识模型中的结构与语义线索，开发了一套对话连贯性度量框架。
• 通过机器阅读与摘要技术，整合来自结构化（如DBpedia、Wikidata）与非结构化来源（如Wikipedia）的知识。
• 基于信息模型结构制定对话轮次顺序的最优性准则，优先选择更具信息量的概念，以减少遍历时间。

实验结果

研究问题

• RQ1 在多样化领域中，有效信息检索对话背后的结构性模式是什么？
• RQ2 如何利用知识图谱提升复杂问答任务的效率与准确性？
• RQ3 主动对话式浏览在多大程度上能减轻信息检索中词汇不匹配的影响？
• RQ4 如何设计对话系统以支持互动式叙事与基于叙事的探索？
• RQ5 哪些机制能够实现实时用户交互中对话行为的持续学习与自适应？

主要发现

• 所提出的基于知识的问答方法在效能与效率方面均优于现有最先进方法，显著提升了答案准确率与响应时间。
• 对话式浏览显著增强了对难以通过问答单独检索到的相关项目（因词汇或语义不匹配）的发现能力。
• 对话结构分析揭示了反复出现的功能与语义关系，有助于更准确地建模类人对话动态。
• 在对话轮次顺序中优先选择更具信息量的概念，可减少平均遍历时间，提升系统响应速度与用户控制感。
• 整合来自结构化与非结构化来源的知识，使对话交互更加丰富且更具上下文感知能力。
• 当系统采取主动角色时，用户参与度与信息发现能力显著提升，尤其在探索性搜索场景中表现突出。