答案句子选择的深度学习
应用深度学习框架解决非事实类问答任务,在保险领域创建和发布了问答语料库,实验结果表明性能优于基线方法和其他技术,对于这个高度具有挑战性的任务,测试集的最高准确率可达到 65.3%,具有广泛的实用潜力。
Aug, 2015
本文探索了一种深度学习框架,用于解决答案选择问题,结合双向长短期记忆模型、卷积神经网络和注意力机制,结果表明该模型在 TREC-QA 和 InsuranceQA 数据集上优于已有模型。
Nov, 2015
该论文通过显式地合并问题上下文和答案上下文,利用最优传输和图卷积网络来改进候选句的评分,进而在 WikiQA 和 WDRASS 等流行的 AS2 基准测试上取得了最新的最佳效果。
Jun, 2023
本文提出了一个能够改进问题生成中的关键词生成和全局问题语义缺失问题的神经问题生成模型,并且利用了句子级别的语义匹配和答案位置推断功能,并运用了基于答案感知的门控融合机制来增强解码器的初始状态,结果表明我们的模型在 SQuAD 和 MARCO 数据集上领先于现有的最先进模型,同时还对现有模型进行了显著改进。
Dec, 2019
本文提出了一个多任务句子编码模型 (MSEM) 用于 Paraphrase Identification(PI)问题。我们使用连接图表示句子之间的关系,并应用多任务学习模型来解决句子匹配和意图分类问题。此外,我们实现了一个通用的语义检索框架,结合了我们提出的模型和近似最近邻(ANN)技术,可以在在线服务中快速地找到最相似的问题。实验结果表明,我们提出的方法与现有的句子匹配模型相比具有优越性。
Nov, 2019
本篇论文提出了一个新的选择题型问答数据集 SelQA,该数据集通过众包生成问题,并从英文维基百科中提取十个最常见主题的长度为答案。我们介绍了一种语料库注释方案,旨在通过明确减少问题和答案之间的词共现来增强生成大型、多样化和具有挑战性的数据集的过程。在回答句子选择和回答触发任务上,我们比较了几个系统,为未来的工作提供了强有力的基准结果。
Jun, 2016
本文提出了一种抽取后选择的两阶段阅读理解方法,将候选答案的信息融合后再选择答案,通过强化学习联合训练得到提高,最终提高了两个高难度的开放域阅读理解数据集的性能。
May, 2018
在这篇论文中,我们提出了一种新颖的端到端神经网络框架,通过联合学习对句子进行评分和选择来实现摘要提取。在 CNN / Daily Mail 数据集上的实验证明,我们的方法比现有的抽取式摘要模型表现出更好的效果。
Jul, 2018