对话系统中的自适应知识选择：应对多样化知识类型、需求与生成模型的统一框架

本文提出一种创新的知识预选方法ASK，通过强化学习（RL）框架统一多类型知识（如非结构化文本与知识图谱），动态适配知识量需求，显著提升生成模型（如ChatGPT、GPT-4o）的响应质量与效率，为LLM（Large Language Models）减负并节省40%计算消耗。

　　

亮点 (Highlights)

• •

  ASK通过统一知识结构、评分知识相关性及自适应调整知识池规模，解决知识预选中的三大挑战：多知识类型适配、动态知识量需求及生成模型兼容性。

• •

  强化学习（RL）框架通过质量与数量双维度奖励机制优化知识选择策略，提升响应生成的信息量与准确性。

结论 (Conclusion)

本文聚焦知识驱动对话系统中的知识预选问题，提出ASK方法以应对多样化知识类型、语境需求及生成模型的适配挑战。实验证明，ASK不仅显著提升知识选择精度，还能赋能下游生成模型（如ChatGPT、GPT-4^o）产生更信息丰富的响应，其轻量化设计大幅降低计算成本，为LLM（Large Language Models）的实用化部署提供有效路径。