林九衡关于条件问答系统的论文《Chain of Condition: Construct, Verify and Solve Conditions for Conditional Question Answering》被EMNLP 2024 FINDINGS接收。

条件问答（Conditional Question Answering, CQA）是一种旨在回答用户信息不足问题并识别遗漏条件的新型任务。与传统问答任务不同，CQA要求模型不仅提供答案，还要识别缺失的条件。然而，现有方法多依赖于监督学习，采用小型模型通过端到端训练同时提取答案和条件，这种方式在泛化性、可解释性以及处理复杂条件和逻辑关系时表现不佳。针对这些问题，本文提出了“条件链”（Chain of Condition）框架。该框架分为三步：首先识别并构建文档中条件的逻辑关系；其次验证条件的满足性；最后利用Python解释器精确求解条件间的逻辑关系，生成答案并指示缺失条件。该方法结合大语言模型的上下文学习能力，无需额外训练时间，通过Python解释器显著提升了推理的准确性和可解释性。实验结果表明，“条件链”方法在多个基准数据集上超越了现有提示基线。在少量示例的情况下，本方法使GPT-3.5-Turbo和GPT-4无需额外训练即可超越所有监督学习模型，为CQA任务提供了一种新颖且高效的解决方案。