MMAug, 2016

面向机器理解口语内容：机器初步实现托福听力理解测试

PDF
TL;DR本研究提出了一种基于 AMRNN 的机器对英语口语内容进行听力理解测试，结果表明在这项任务中，单词级别的注意力机制比句子级别更为鲁棒。
machine comprehensionspoken contentamrnntoeflattention
发现论文，激发创造
  • 用于提升机器理解口语内容的分层注意力模型

    提出了一项新的任务 —— 自动理解口语内容，本文通过构造多层注意力机制的分层注意力模型（HAM）来提高自动理解口语内容任务的表现，并且通过考虑树状结构而不是顺序结构的表示方法，使得模型对 ASR 错误更加鲁棒。

    Aug, 2016

  • 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

  • 机器阅读理解系统调查

    本文对 2016 年到 2020 年间关于机器阅读理解方面的 241 篇论文进行了全面的调查，探讨了机器阅读理解的不同方面，包括方法、结构、输入 / 输出和研究的创新之处，并论述了研究的重点发生了变化，从答案提取到答案生成，从单一到多文档阅读理解，从零开始学习到使用预训练的嵌入。同时我们还讨论了这个领域中的流行数据集和评估指标，最后还研究了最常被引用的论文及其贡献。

    Jan, 2020

  • 从定义理解入手进行机器阅读理解测试

    该研究确定机器阅读理解的内容，并提出短篇故事的一个理解模板，表明现有系统未达到我们定义的故事理解的任务水平。

    May, 2020

  • 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

  • CNN/Daily Mail 阅读理解任务的全面研究

    本文研究了一项新的阅读理解任务，通过构建超过一百万的 CNN 和每日邮报新闻文章的训练例子和总结性要点，证明了神经网络可以在此任务上表现良好，并展示了简单的设计系统可以达到 73.6％和 76.6％的准确度，超过了当前最先进的结果，接近我们认为是此任务性能的上限。

    Jun, 2016

  • 分析多项选择阅读和听力理解测试

    本文研究多项选择阅读理解和听力理解测试中需要阅读多少上下文内容才能回答正确，发现自动化阅读理解系统即使没有或只有部分上下文内容的情况下也能比随机猜测表现更好，并提供了内容创作者自动捕捉所需理解和世界知识之间的权衡的方法。

    Jul, 2023

  • Spoken SQuAD: 降低语音识别错误对听力理解的影响研究

    本文提出一个新的听力理解任务 —— 口语 SQuAD，发现语音识别错误对机器理解的影响是灾难性的，提出了几种方法来减轻这种影响。

    Apr, 2018

  • 多轮对话理解的进展：一项综述

    本文从对话建模技术的技术角度回顾了以往的方法，总结了对话理解的特点和挑战，并讨论了三种典型的对话建模模式，还对于提升 PrLM 在对话场景下的表现的对话相关预训练技术进行了分类。此外，本文突出了近年来的技术进步，并指出实证分析的教训和未来研究的前景。

    Oct, 2021

  • 神经机器阅读理解综述

    本文旨在介绍如何利用神经网络来构建阅读器，并介绍了一些经典模型，分析了它们所做出的改进，同时指出现有模型的缺陷和未来的研究方向。

    Jun, 2019