强化机器阅读的LFQA框架：生成流畅与忠实答案

本文主要探讨了长式问答（Long Form Question Answering，LFQA）这一任务，它旨在为给定的问题生成详细的段落级答案，这对于满足人们日常复杂查询的需求至关重要。LFQA通常涉及到深度的文本理解，要求模型能够整合大量的外部知识以提供全面的解释。现有的基于大型预训练模型的LFQA方法在生成连贯且有一定相关性的答案方面已经取得了一定的效果。 然而，论文提出了一种新的端到端框架，即通过结合模型的answer生成和机器阅读来增强LFQA性能。核心思想是利用与答案紧密相关的显著信息，这些信息可以被看作是对事实的强调，从而提高生成的忠实度。该方法特别关注生成答案的准确性和真实性，避免了现有模型可能出现的不忠实片段问题。 论文通过对比实验，展示了新框架在ELI5和MSMarco这两个LFQA数据集上的优越表现，自动评估和人工评估指标均显示出其方法的有效性。实验结果显示，新模型在生成流畅、相关和忠实答案的能力上超越了现有基线，特别是在处理长篇文档、排除冗余信息以及处理多文档中的矛盾信息方面表现出色。 研究者在华为诺亚方舟实验室的工作背景表明，这个领域的研究不仅是理论探索，也是实际应用驱动的，尤其是在搜索引擎集成、虚拟会话代理以及生成解释等领域。本文的工作不仅提升了LFQA任务的性能，也为未来在生成高质量长答案方面的研究提供了新的思路和技术支持。