NIPSJun, 2015

教授机器阅读和理解

PDF
TL;DR本篇论文提出了一种新方法，通过大规模监督学习从而提供阅读理解的数据集，开发了一类基于注意力机制的深度神经网络，使其能够在没有先前语言结构知识的情况下阅读真实文档并回答复杂问题。
machine readingsupervised learningattention based deep neural networksnatural language processingreading comprehension
发现论文，激发创造
  • 神经机器阅读理解综述

    本文旨在介绍如何利用神经网络来构建阅读器，并介绍了一些经典模型，分析了它们所做出的改进，同时指出现有模型的缺陷和未来的研究方向。

    Jun, 2019

  • 机器阅读理解系统调查

    本文对 2016 年到 2020 年间关于机器阅读理解方面的 241 篇论文进行了全面的调查，探讨了机器阅读理解的不同方面，包括方法、结构、输入 / 输出和研究的创新之处，并论述了研究的重点发生了变化，从答案提取到答案生成，从单一到多文档阅读理解，从零开始学习到使用预训练的嵌入。同时我们还讨论了这个领域中的流行数据集和评估指标，最后还研究了最常被引用的论文及其贡献。

    Jan, 2020

  • CNN/Daily Mail 阅读理解任务的全面研究

    本文研究了一项新的阅读理解任务，通过构建超过一百万的 CNN 和每日邮报新闻文章的训练例子和总结性要点，证明了神经网络可以在此任务上表现良好，并展示了简单的设计系统可以达到 73.6％和 76.6％的准确度，超过了当前最先进的结果，接近我们认为是此任务性能的上限。

    Jun, 2016

  • Smarnet: 让机器像人类一样阅读和理解

    本文提出了一种用于机器理解阅读测试的科学方法，引入了新颖的词法控制机制，通过注意力机制和记忆网络指导机器进行交互式阅读，并添加检查层来细化答案以提高正确性，实验证明该方法在 SQuAD 和 TriviaQA 两个常用数据集上的表现优于大多数现有的解决方案。

    Oct, 2017

  • 从定义理解入手进行机器阅读理解测试

    该研究确定机器阅读理解的内容，并提出短篇故事的一个理解模板，表明现有系统未达到我们定义的故事理解的任务水平。

    May, 2020

  • 机器阅读理解：文献综述

    本文总结了机器阅读理解的最新进展，在语料库和技术两个方面进行了重点介绍和比较，详细描述了不同 MRC 语料库的特点以及一些典型 MRC 技术的主要思想。

    Jun, 2019

  • 大规模阅读理解下的医学体检问题解答

    该研究提出了一个名为 MedQA 的问答任务，使用大规模文档集中的知识研究临床医学中的问题解答。提出了一种基于 LSTM 网络和双路径注意力架构的模块化端到端阅读理解模型 SeaReader，其具有从两个角度建模信息流和同时读取和整合多篇文档的能力。实验证明，SeaReader 在 MedQA 上比竞争模型实现了大幅提高，同时开发了一系列新技术以展示 SeaReader 问题解答过程的解释。

    Feb, 2018

  • 注意力求和读者网络的文本理解

    该研究提出了一种使用注意力机制直接从文本中选取答案的模型，特别适用于以文本中某个单词为答案的问题，并在多个数据集上取得了新的最优成绩。

    Mar, 2016

  • 面向机器理解口语内容：机器初步实现托福听力理解测试

    本研究提出了一种基于 AMRNN 的机器对英语口语内容进行听力理解测试，结果表明在这项任务中，单词级别的注意力机制比句子级别更为鲁棒。

    Aug, 2016

  • 通过文本到文本神经问题生成的机器理解

    本文提出了一种基于递归神经网络的模型，可以根据答案生成自然语言问题，并介绍了一种使用监督学习和强化学习相结合的方式对模型进行训练，然后通过策略梯度技术微调模型以最大化几个衡量问题质量的奖励，其中一个奖励是一个问题回答系统的表现，并通过最近的问答数据集 SQuAD 对模型进行了训练和评估。

    May, 2017