ACLMar, 2016

面向稀疏数据的并行分层机器理解模型

PDF
TL;DR本篇论文中，我们基于神经网络提出了一种新的方法 Parallel-Hierarchical model 来应对训练数据量有限的 MCTest 数据集中自然语言理解问题，并在评测中取得了新的 state of the art，表现优于之前的手工特征提取方法和神经网络方法。
natural language processingcomprehension testsmachine comprehensionneural networkslimited training data
发现论文，激发创造
  • 面向推理的阅读理解：ParallelQA

    探讨了端到端神经机器阅读理解模型倾向于匹配浅层模式而非推理，同时提出了利用平行语段来进行参照推理问题的 ParallelQA 策略，并证明了现有神经模型在此设置中无法很好地泛化。

    May, 2018

  • 基于注意力机制的卷积神经网络用于机器阅读理解

    本篇论文探讨了在 MCTest 数据集上应用基于神经网络的层次化注意力机制的机器理解和问答任务，实验结果表明这种方法大幅度超越之前的深度学习方法。

    Feb, 2016

  • 深度神经网络在平行句子提取中的应用

    本文提出了一种基于深度神经网络的端到端方法，用于检测两种不同语言之间句子之间的翻译等效性，结果表明该方法在提取平行句子的质量和统计机器翻译系统的翻译表现上均有显著改善，为平行句子提取任务的深度学习研究提供了一种新的思路。

    Sep, 2017

  • 神经级联多提及学习用于阅读理解

    本文提出了一种以级联模型组合轻量级的前馈网络为基础构建的答案提取算法，可以从文本中获取多次对同一问题的提及与信息聚合，并在 TrivaQA 数据集上表现优异。

    Nov, 2017

  • 教授机器阅读和理解

    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。

    Jun, 2015

  • 利用机器阅读理解从文本构建动态知识图谱

    我们提出了一种神经机器阅读模型，它从过程文本中构建动态知识图，并利用它们来跟踪参与实体的演变状态，从而改善机器对文本的理解。

    Oct, 2018

  • 多篇文档阅读理解的深度级联模型

    本研究提出一种深度串级学习模型来平衡在线问答系统的效能和效率之间的基本权衡，在多文档的 MRC 场景中取得更好的效果并能够在不到 50 毫秒内稳定地为数百万日请求提供服务。

    Nov, 2018

  • 粗到细：自然语言理解的分层多任务学习

    通过三种不同的角度（数据属性、手工设计和基于模型的相关性）分析任务相关性，本文提出了一种层次框架并使用粗粒度到细粒度的范式，使模型从所有任务中学习基本语言属性，提高相关任务的性能，并减少不相关任务的负面影响。

    Aug, 2022

  • 机器阅读理解的模块化方法：任务感知专家混合

    该论文介绍了一个针对较小数据集的任务感知专家网络混合模型，重点研究常识学习问题，并通过训练不同的专家网络来捕获每个段落、问题和选项三元组之间不同类型的关系，同时灵感来自多任务和迁移学习的最新进展。通过将多个网络融合，强制实现它们的特定目标和关系，作者达到了最先进的结果并减少了过拟合。

    Oct, 2022

  • 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