IJCAIDec, 2015

神经生成式问答

PDF
TL;DR本文提出了一个名为 Neural Generative Question Answering（GENQA）的端到端神经网络模型，可以根据知识库中的事实生成简单问答问题的答案。通过对问题答案对的语料库进行训练，该模型可有效处理问题和答案的变化，并通过参考知识库中的事实生成正确自然的答案，且在问题回答方面的实验证明该模型优于基于嵌入式的 QA 模型和在相同数据上训练的神经对话模型。
neural generative question answeringknowledge-basesequence-to-sequence learningencoder-decoder frameworkquestion answering
发现论文，激发创造
  • 基于统一查询的生成模型，用于问题生成和问题回答

    我们提出了一种基于查询的生成模型，用于解决问题生成和问题回答两个任务， 在查询理解方面，该模型使用经典的编码器 - 解码器框架，通过与多个角度的文章进行匹配来执行查询理解。在进行培训时，我们利用政策梯度强化学习算法来克服暴露偏差，这是由于交叉熵损失的序列学习而引起的主要问题。

    Sep, 2017

  • 问答生成模型

    本研究通过使用编码 - 解码模型，结合复制机制和覆盖向量维护，实现了生成式问答，并在 MS-MARCO 数据集上验证了该方法的出色表现。

    Nov, 2017

  • 基于文本的神经问答生成：初步研究

    本研究提出了一种基于神经编码器 - 解码器模型的自动问题生成方法，可以根据给定的段落生成多样化、有意义的问题并利用 SQuAD 数据集进行了初步实验研究，实验结果显示该方法可以产生流畅且多样化的问题。

    Apr, 2017

  • 线索优先：增强型多项选择题解答

    该论文介绍了一种基于文本生成模型的、通过生成提示信息来提高多项选择题的准确性的算法 GenMC，该算法在多项选择题上的表现优于传统文本生成模型。

    Apr, 2022

  • MixQG: 混合答案类型的神经网络问题生成

    本文提出了一个名为 MixQG 的神经问题生成器，通过结合 9 个问题回答数据集来训练单一的生成模型，该模型在不同的认知水平中可以产生具有不同类型答案的问题，经实验证明在已知和未知领域中均表现出优越性。

    Oct, 2021

  • 问答和问题生成的联合模型

    本文提出一种生成式机器理解模型，用于同时学习根据文档提问和回答问题，采用序列到序列框架编码文档并生成问题，模型在 SQuAD 语料库上获得显著性能提升，实验证明，模型在同时学习两个任务方面受益。我们认为这种联合模型的新颖性提供了一个超越架构工程的机器理解视角，是实现自主信息寻找的第一步。

    Jun, 2017

  • 利用答案焦点、语境和语言特征进行不同类型问题的神经生成

    本篇论文提出了一种新的 Attentional Encoder-Decoder Recurrent Neural Network 模型用于自动生成问题，该模型融合语言特征和句子嵌入来捕捉句子和单词层面上的意义，并采用复制机制和特殊答案信号生成多样化的问题，在基准问题生成数据集上取得了 19.98 的 Bleu_4 结果，超过了以前发表的所有结果，并且人类评估显示这些新增的功能提高了生成的问题的质量。

    Sep, 2018

  • 将外部知识融入生成式阅读理解中的问答

    本文提出了一种新的神经网络模型 KEAG，该模型利用外部知识解决 QA 问题，能够比现有的知识感知 QA 模型生成更高质量的答案，并证明其在利用知识方面的有效性。

    Sep, 2019

  • 学会提问：神经网络阅读理解问题生成

    该研究采用基于注意力机制的序列自学习模型进行阅读理解中基于句子的自动问题生成，相比于之前的工作，该模型不依赖于手工规则或复杂的自然语言处理技术，并在人工和自动评估中都呈现出更加自然和困难的问题。

    Apr, 2017

  • 应用答案生成进行跨语言开放领域问答

    本文介绍了 GenQA 方法，将其扩展到跨语言环境下的 GenTyDiQA，并通过利用多种语言的段落设计了一个跨语言生成模型，优于所有 5 种语言的答案选择基线和 3 种中文的生成管道。

    Oct, 2021