Conv-CoA : Améliorer le Question-Réponse Ouvert dans de Grands Modèles de Langage via une Chaîne d'Action Conversationnelle

Nous présentons un cadre de Chaîne d'Action Conversationnelle (Conv-CoA) pour le Question-Réponse Conversationnel Ouvert (OCQA). Par rapport à la littérature, Conv-CoA aborde trois défis majeurs : (i) l'hallucination infidèle qui est incohérente avec des faits en temps réel ou de domaine, (ii) des performances de raisonnement faibles dans des scénarios conversationnels, et (iii) des performances insatisfaisantes en matière de récupération d'informations conversationnelles. Notre contribution clé est un mécanisme dynamique de raisonnement-récupération qui extrait l'intention de la question et la décompose en une chaîne de raisonnement à résoudre via des demandes systématiques, des actions préconçues, la mise à jour de l'Ensemble de Connaissances Contextuelles (CKS), et un nouvel extracteur basé sur Hopfield. Méthodologiquement, nous proposons un extracteur Hopfield éco-efficace pour améliorer l'efficacité et la précision de la récupération d'informations conversationnelles dans nos actions. De plus, nous proposons un score de foi multi-références conversationnelles (Conv-MRFS) pour vérifier et résoudre les conflits entre les connaissances récupérées et les réponses dans les conversations. Empiriquement, nous réalisons des comparaisons entre notre cadre et 23 méthodes à la pointe de la technologie à travers cinq directions de recherche différentes et deux benchmarks publics. Ces comparaisons démontrent que notre Conv-CoA surpasse d'autres méthodes tant en précision qu'en efficacité.