Read before Generate! Treue Langform-Frage-Antwort mit maschinellem Lesen

Langform-Frage-Antwort (Long-form Question Answering, LFQA) zielt darauf ab, für eine gegebene Frage eine paragrafenlange Antwort zu generieren. Obwohl aktuelle Ansätze zur LFQA, die große vortrainierte Modelle zur Generierung nutzen, effektiv sind, um flüssigen und zumindest teilweise relevante Inhalt zu erzeugen, besteht eine zentrale Herausforderung darin, treue Antworten mit geringerem Anteil an Halluzinationen zu generieren. Wir stellen einen neuen end-to-end-Framework vor, der die Antwortgenerierung und maschinelles Lesen gemeinsam modelliert. Der zentrale Ansatz besteht darin, das Generierungsmodell mit feinabgestimmten, antwortrelevanten hervorragenden Informationen zu ergänzen, die als Betonung treuer Fakten angesehen werden können. Die Ergebnisse auf zwei führenden LFQA-Datensätzen, ELI5 und MS MARCO, zeigen die Wirksamkeit unseres Ansatzes im Vergleich zu starken Baselines sowohl in automatisierten als auch in menschlichen Bewertungsmetriken. Eine detaillierte Analyse bestätigt zudem die Fähigkeit unseres Verfahrens, flüssige, relevante und vor allem treuere Antworten zu erzeugen.