神经网络的答案序列学习 - 针对社区问答中的答案选择
本文提出使用卷积神经网络 (CNN) 解决图像问答 (QA) 问题,通过三个 CNN 模型来提升图像和问题共同表示的分类能力。经过 DAQUAR 和 COCO-QA 两个基准测试集的测试,本文的模型表现显著优于现有的最优解。
Jun, 2015
该研究利用新颖的联合学习模型解决 CQA 中答案冗余和长度问题,设计了一个以问题为导向的指针生成网络,同时利用答案给长回答降噪,构建了一个包含长回答和参考摘要的大规模 CQA 语料库 WikiHowQA,实验证明该方法可以有效地解决 CQA 中的冗余问题,并取得了在答案选择和文本摘要任务上的最新成果。
Nov, 2019
本文提出了使用预训练模型的 Question-Answer 交叉注意网络(QAN)进行回答选择,并利用大型语言模型(LLM)来进行具有知识增强的回答选择。实验证明,QAN 模型在 SemEval2015 和 SemEval2017 数据集上实现了最新的性能。同时,LLM 利用外部知识进行问题和正确答案的知识增强,并通过不同方面对 LLM 的提示进行优化,结果表明外部知识的引入可以提高 LLM 在 SemEval2015 和 SemEval2017 数据集上的正确答案选择率,同时通过优化提示,LLM 也能在更多问题上选择正确的答案。
Nov, 2023
本研究使用标准的 TrecQA 数据集检验了卷积神经网络(CNNs)在端到端环境中用于答案选择的有效性,发现优化后的 idf 加权单词重叠算法是一个很强的基线,深度学习在这个数据集上的表现有限,而并不清楚在基于标准检索指标的端到端环境中 CNN 是否比基线更有效。而进行的人工用户评估证实了 CNN 产生的答案比 idf 加权单词重叠更好,这表明用户对答案选择质量的差异非常敏感。
Jul, 2017
研究使用深度学习框架解决视觉问答任务的方法,探索 LSTM 网络和 VGG-16、K-CNN 卷积神经网络提取图像特征,将其与问题的词嵌入或句子嵌入相结合进行答案预测。在 Visual Question Answering Challenge 2016 中获得了 53.62%的准确率。
Oct, 2016
本文提出了卷积神经网络来学习问题和回答句子的最佳表现形式,并使用成对匹配的关系信息进行编码,这使得神经网络可以更好地捕捉到问题和答案之间的交互作用,从而有效地提高了准确性。
Apr, 2016
本研究对社区问答的答案排名进行了深入的研究,基于大规模的 Stack Overflow 问题和回答数据,利用深度学习方法 (密集嵌入和 LSTM 网络) 进行预测和排序,提高了问答的准确度,但由于源码中大量的 oov 词汇,深度学习模型的性能提升由限制,未来应开发新的方法以解决该问题。
Oct, 2022
本研究提出了一种针对社区问答的二分类(相关 / 不相关)策略,采用敌对训练框架缓解标签失衡问题,并使用生成模型迭代地抽样一组具有挑战性的负样本,最终提高模型预测性能。此外,我们使用多尺度匹配方法显式地检查不同粒度级别的单词和 ngram 之间的相关性。在 SemEval 2016 和 SemEval 2017 数据集上进行评估,结果表明该方法达到或接近最佳性能。
Apr, 2018
本文提出了在成功的卷积神经网络 - 循环神经网络方法中加入高级概念的方法,并证明其在图像字幕和视觉问答中取得了显著的改进。 该机制还可用于合并外部知识,特别是允许在图像中回答有关内容的问题,即使图像本身不能提供完整答案。
Mar, 2016