本文提出了一种名为SpARE的无训练表征工程方法，旨在解决大型语言模型中的上下文与参数化知识冲突问题。通过利用预训练的稀疏自编码器，SpARE能够有效控制知识选择行为，从而在开放领域问答任务中显著提升模型性能。

本研究提出一个新框架，通过对话政策驱动，结合发言功能和主题转移意图，提升文档导向对话中的知识选择与响应生成效果，并在多个基准测试中表现出色。

该文章介绍了一种基于对话上下文和外部知识的知识驱动对话系统，通过引入主题转换框架来提供充足的主题发展知识。实验结果显示，该系统在知识选择方面具有更好的优势和泛化能力。