迈向可靠和事实准确的回答生成：检测信息请求对话中无法回答的问题
内容提要
该文综述问答系统与问题生成研究，涵盖信息检索、段落选择与答案预测，多语言数据集标注，检索增强问答的统计保证，机器阅读理解数据增广及无法回答问题生成，对话问题生成与评估指标，合成CQA数据，澄清问题处理与查询重写，以及阅读-验证系统，并展望数据集收集与模型开发方向。
延伸解读
无法回答问题的检测是可靠问答的关键环节
文章多次强调，问答系统需要识别并避免回答无法从给定材料中推断的问题。例如，阅读-验证系统通过神经阅读器和答案验证器来避免在无答案时强行回答；数据增广技术则自动生成无法回答的问题以提升模型区分能力。这表明，检测无法回答问题不仅是技术挑战，更是提升系统事实准确性和可靠性的必要手段。
合成数据与数据增广可缓解标注瓶颈
文章介绍了多种生成合成数据的方法，包括为CQA合成开放式、封闭式和无法回答的问题，以及通过自动生成无法回答的问题进行机器阅读理解数据增广。实验表明，合成数据训练的CQA系统表现接近人工注释数据，且增广能显著提升SQuAD 2.0上的F1值。这为减少对昂贵人工标注的依赖提供了可行路径。
对话场景需兼顾问题生成与澄清处理
在对话问答中，文章涉及对话问题生成、澄清问题处理与查询重写。SG-CQG通过语义图和分类器解决“问什么”和“怎么问”的挑战；另一项工作则评估澄清问题与回答的有用性，并利用查询重写模块提升效果。这些研究表明，处理无法回答问题时，系统还需主动澄清或重写查询，以获取必要信息。
统计保证与评估指标支撑系统可信度
文章提到检索增强问答系统结合符合预测和全局测试的统计保证，并在自然问题数据集上验证了覆盖保证与预测集大小的平衡。此外，还提出了新的评估指标Conv-Distinct用于对话问题生成。这些工作说明，除了模型结构改进，提供可量化的保证和合适的评估指标也是迈向可靠问答的重要方向。
Q&A
预训练语言模型在回答信息查找问题时面临哪些主要挑战？
主要挑战包括段落选择和答案预测。文章分析了这些挑战并提出了解决方案，同时通过人工分类和标注多语言数据集，展望了未来在数据集收集和模型开发方面的研究前景。
如何让检索增强问答系统提供统计保证？
提出了一种结合符合预测和全局测试的统计保证的检索增强问答系统，并使用贝叶斯优化来选择全局测试的超参数。在自然问题数据集上验证表明，该方法能提供所需的覆盖保证并最小化平均预测集大小。
如何自动生成无法回答的问题来增强机器阅读理解数据？
提出了一种数据增广技术，通过自动生成相关无法回答的问题并将其与包含答案的段落相配对，并提出了一个序列模型来有效捕捉问题和段落之间的交互。实验表明，该模型优于序列到序列基线，并将自动生成的无法回答的问题作为数据增广方法，大幅提高了SQuAD 2.0数据集上的F1值。
SG-CQG模型如何解决对话中生成自然问题的挑战？
SG-CQG通过语义图和具有明确控制信号的分类器来解决what-to-ask和how-to-ask的挑战，用于无答案设置下生成与要求自然的对话。同时提出了新的评估指标Conv-Distinct，并在实验中取得了最先进的表现。
如何合成高质量的CQA数据？
提出了一种新方法合成用于CQA的数据，包括开放式、封闭式和无法回答的问题，通过为每种问题类型设计不同的生成流程并将它们有效地结合在单个共享框架中，同时设计了分层回答分类模块，提高了合成数据的质量。手动检查发现，生成的合成数据具有非常类似于人类生成的对话的特征，在四个领域中，使用合成数据训练的CQA系统表现接近于使用人工注释数据训练的系统。
如何处理对话中的澄清问题并重写查询？
提出了一种简单而有效的方法来处理对澄清问题的回答，并介绍了一个对用户提出的问题和回答进行有用性评估的分类器，将有用的问题或回答附加到对话历史中，并传递给基于transformer的查询重写模块。实验证明与非混合主动的基线相比有显著改进，并缓解了使用不实用的问题和回答时性能下降的问题。
阅读-验证系统如何避免在无法推断答案时进行回答？
提出了一种利用神经阅读器和答案验证器的阅读-验证系统，旨在解决在没有答案可以推断出的情况下避免回答的机器阅读理解问题，并在SQuAD2.0数据集上取得了良好的实验效果。
