Jun, 2016

社区问答中深度特征融合网络的答案质量预测

HTML
PDF
TL;DR本文提出了一种名为“Deep Feature Fusion Network”的AQP新方法，该方法整合了手工特征和深度学习策略，应用卷积神经网络学习特征并结合外部资源计算手工特征。实验结果表明，DFFN在标准的SemEval-2015和SemEval-2016基准数据集上取得了最先进的性能，并优于仅使用HCF或DL技术的基线方法。
发现论文，激发创造
  • 神经网络的答案序列学习-针对社区问答中的答案选择

    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

  • 应用深度学习进行答案选择研究和开放任务

    应用深度学习框架解决非事实类问答任务，在保险领域创建和发布了问答语料库，实验结果表明性能优于基线方法和其他技术，对于这个高度具有挑战性的任务，测试集的最高准确率可达到65.3％，具有广泛的实用潜力。

    Aug, 2015

  • 尽可能简单地构建神经问答

    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

  • 探究卷积神经网络在端到端问答中的答案选择效果

    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

  • 视觉问答技巧：2017年挑战赛收获

    本文介绍了一个用于视觉问答（VQA）的最先进模型，这个模型在2017年的VQA挑战中获得了第一名。通过对超过3,000个GPU小时的架构和超参数的深入探索，我们发现了许多用于提高性能的Tips and Tricks。我们详细地分析了它们的影响以协助其他人进行适当的选择。

    Aug, 2017

  • 超越双线性：面向视觉问答的广义多模态分解高阶池化

    本文利用深度神经网络中的协同注意机制与通用的多模式高阶因式化池化方法实现多模态特征的融合，使用 KL（Kullback-Leibler）散度作为损失函数，最终实现了优越的视觉问答表现。

    Aug, 2017

  • 从信息检索和深度神经网络角度的基于文本的问答：一项综述

    本文综述了传统信息检索方法和深度神经网络方法在文本问答任务中的应用，介绍了相关模型以及可供比较的数据集和文献结果。

    Feb, 2020

  • 社区问答中的答案排序：一种深度学习方法

    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

  • 社区问答任务中的学习排序特征工程

    在这项工作中，我们通过实证研究了社区问答论坛的几个方面，包括引入一种基于BERT的特征捕捉问题和答案的语义相似性、使用线性方式结合问题和答案特征、以及在CQA领域中采用迄今为止未使用过的排序学习算法等。在三个标准CQA数据集上，我们的提出的框架实现了最领先的性能，并分析了我们使用的特征的重要性。这项工作有望指导实践者在CQA检索任务中选择更好的特征集。

    Sep, 2023

  • 用神经网络预测StackOverflow上的问题质量

    本文评估了神经网络模型以预测Stack Overflow上问题的质量，结果表明与基准机器学习模型相比，神经网络模型具有更高的准确性，并且发现神经网络模型的层数对其性能有显著影响。

    Apr, 2024