基于注意力卷积神经网络的简单问答
本文旨在提出一种基于循环神经网络的方法解决 factoid question answering 中的两个问题:检测问题中的实体和将问题分类为知识库中的关系类型,同时在 SimpleQuestions 数据集上取得了显著改进的结果。
Jun, 2016
本文提出一种新颖的端到端问题聚焦的多因素注意网络,用于回答提问文本中的问题,通过张量变换实现多因素关注编码,以对散布在多个句子中的信息进行建模,并采用最大化注意聚合机制来对提问文本进行编码,从而实现对问题类型的隐式推断,并在三个大型挑战性问题回答数据集中实现了显著的性能提升。
Jan, 2018
针对视觉问答中存在的通用知识推理难题,提出一种基于事实的视觉问答任务,并探索了利用实体图和图卷积网络联合推理来解决问题,相对于现有算法在准确率上有显著提高。
Nov, 2018
通过将问题回答问题的问题分解为实体检测,实体链接,关系预测和证据组合,我们使用一些启发式算法,探索了一些简单而强大的基线模型,其中基本的 LSTM 和 GRU 加上一些启发式算法得到的准确率接近最新技术水平。这些结果表明,文献中提出的复杂深度学习技术带来的收益相当有限,并且一些先前的模型表现出了不必要的复杂性。
Dec, 2017
本文提出了一个简单的构建神经 QA 基线系统的启发式方法,并发现了两种必要的构建高性能神经 QA 系统的因素:第一,处理上下文时需要注意问题单词;第二,需要超越简单的词袋建模,例如循环神经网络。我们的结果表明,满足这两个要求的 FastQA 系统可以与现有模型实现非常有竞争力的性能。我们认为这一令人惊讶的发现将之前系统的结果和最近 QA 数据集的复杂性放在了一个更加客观的角度。
Mar, 2017
本研究提出了一种基于注意力循环神经网络和相似度矩阵卷积神经网络(AR-SMCNN)模型的知识库问答方法,能够充分利用循环神经网络和卷积神经网络的优势,从而能够捕获全面的层级信息,同时使用了新的启发式扩展方法对实体检测进行了优化,在 SimpleQuestion 基准测试中表现出更高的准确性和效率。
Apr, 2018
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
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
该论文提出了一种新模型 Graft-Net,应用于 Open Domain Question Answering 问题,该模型结合了文本和知识库并利用子图表示法以提高效率和准确度
Sep, 2018
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。
Dec, 2015