論文標題：
Leading Conversational Search by Suggesting Useful Questions
論文來源：
WWW 2020
論文連結：
https://www.microsoft.com/en-us/research/uploads/prod/2020/01/webconf-2020-camera-rosset-et-al.pdf
一、簡介
本文由微軟 AI 研究院發表於 WWW 2020，當前對話式搜尋引擎主要存在兩個挑戰：1. 使用者仍然習慣使用查詢詞而並非自然語言進行搜尋；2. 搜尋引擎的能力需要超出僅解決當前查詢的問題。
本文提出了對話式問題建議（Conversatioal question suggestion）這一新的方式，幫助使用者透過更接近於對話式檢索的方式，獲得更好的搜尋體驗。
二、從相關性到有用性
Misses Intent：該問題完全和主題不符，或者不是用準確的自然語言進行表達。
Too Specific：問題過於具體，導致能覆蓋的人群較少。
Prequel：問題的答案是使用者已知的內容。
Duplicate with Query：提問和查詢完全重複。
Duplicate with Answer：提問可以被當前查詢中所顯示的結果解答。
三、問題推薦框架
二者均在以下四個任務上完成訓練：
相關性分類：該任務針對一個具體的“查詢-問題對”判斷它們是否相關，是一個二分類問題。 相關點選率預測：該任務抽取了同一查詢下，兩個具有點選率顯著差異的問題（30%以上），目標是模型能準確預測出點選率更高的問題。 點選預測：該任務針對一個具體的“查詢-問題對”，判斷在顯示該查詢的情況下，該問題是否會被點選，是一個二分類問題。該任務可以被認為是該模型的主任務。 使用者搜尋軌跡模擬：該部分首先抽取出一些真實搜尋引擎中的會話，並藉助下一查詢預測任務，使得我們的模型預測下一查詢中的使用者意圖。具體來說 GPT-2 模型直接根據之前的查詢生成下一查詢，而 BERT 模型則對最可能出現的模型進行排序篩選。
四、實驗
本文首先提出了對話式問題建議（Conversatioal question suggestion）這一新的方式，幫助使用者獲得更好的搜尋體驗。本文此後提出了更加合理的評價指標 usefulness 替代 relevance，以衡量建議問題的效能。
