使用卷积神经网络对问答对中的关系信息进行建模
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
本论文介绍了利用深度神经网络训练的神经匹配模型来解决提问检索和会话中的下一个问题预测的任务,并进行了实验和评估,证明神经匹配模型在这两个任务中表现良好。
Jul, 2017
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
该研究提出 HyperQA,是基于超伸缩空间对问题和答案嵌入之间的关系建模的简单但新颖的深度学习体系结构,它不需要进行特征工程,相似性矩阵匹配,复杂的注意机制或过度参数的层,但在多个基准测试中表现优异并与许多具有这些功能的模型保持竞争力。
Jul, 2017
本文提出了一种基于注意力机制的单词级交互模型,旨在缓解序列池化操作对序列信息的损失问题,从而更准确地检测知识库问答中问题与候选关系之间的关系,实验结果在两个数据集上表现出优秀的性能。
Jan, 2018
该论文提出一种基于循环体系结构的创新方法来解决社区问答中的答案选择问题。该方法首先使用卷积神经网络来学习问题 - 答案对的联合表示,然后将联合表示作为 LSTM 的输入来学习问题的答案序列,以标记每个答案的匹配质量。实验结果表明了我们方法的有效性。
Jun, 2015
本文提出了一种结合双向转换编码器和卷积神经网络的新架构来处理 QPI 任务,其中使用了 Siamese 和 Matched Aggregation 两种推断设置,经实验证明,在这两种推断设置下,该模型在 Quora Question Pairs 数据集上实现了最新的最佳性能,并分析了部分和完全微调的影响以及计算能力与准确性之间的权衡。
Sep, 2021
本文提出了一种使用树核心学习支持向量机模型,在神经网络中注入结构表示,以解决关系任务的方法,例如问题相似性,并通过大规模语料库预测标签和预训练 NNs,结果表明使用我们的方法训练的 NNs 可以学习更精确的模型.
Jun, 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