Mar, 2017

通过检索和理解从非结构化文本中进行问答

PDF
TL;DR本文提出了基于 RNN 和神经模型的信息检索和理解两个步骤的开放域问答系统来解决信息检索的问题，并在 Wiki Movies 数据集上达到了最先进的表现，通过减少 40% 的错误率来证明了每个组件的重要性。
open domain question answeringwikipediaknowledge basesrnnneural model
发现论文，激发创造
  • 使用维基百科回答开放领域问题

    本文提出使用维基百科作为唯一知识源来解决开放领域问题回答，提出了一种基于大二元哈希和 TF-IDF 匹配的搜索组件与训练于维基段落中检测答案的多层循环神经网络模型的结合方法，同时现有数据集的实验结果表明，这两个模块都是高度竞争力的，并且使用远程监督进行多任务学习的组合是这个具有挑战性任务的有效完整系统。

    Mar, 2017

  • UniK-QA: 面向开放域问答的结构化和非结构化知识统一表示

    该研究致力于利用结构化、非结构化和半结构化知识来源（如文本、表格、列表和知识库）进行开放域问题回答，并提出了统一的方法，将它们转化为文本并采用检索 - 阅读器模型，从而大大提高了在知识库问题回答任务上的表现，并将异构知识来源融合成一个简单且有效的统一知识模型，并在两个流行的问答基准测试中（自然问题和网络问题）继续提高最新的图形方法等级，分别为 3.5 和 2.6 点。

    Dec, 2020

  • 从文本中回答具有不同推理步骤的开放领域问题

    通过使用单个多任务 transformer 模型，我们设计了一个统一的系统，可以迭代地检索支持事实，重新排序它们，并从所有检索的文档中预测答案，从而回答各种需要不同数量的检索步骤的开放领域问题。我们构建了一个新的基准测试 BeerQA，并证明我们的模型在现有基准测试和这个新基准测试上都表现出有竞争力的表现。

    Oct, 2020

  • 开放域问答系统综述：检索与阅读

    本文综述了 OpenQA 领域的最新研究趋势，重点关注采用神经 MRC 技术的系统，介绍了现代 OpenQA 体系结构 Retriever-Reader 及采用该体系结构的各种系统，讨论了开发 OpenQA 系统面临的关键挑战，并对常用的基准进行了分析。

    Jan, 2021

  • 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

  • 基于筛选和开放网络资源的问答系统

    本文的主要研究领域是关于自动问答，重点介绍了知识图谱、非结构化文本和混合语料库等来源的家族算法，并讨论了每个子主题中涉及的复杂性问题和系统中介绍的可解释性和互动性程度，最后总结了 QA 领域的最具前景的新兴趋势。

    Apr, 2020

  • 利用知识库和文本的早期融合进行开放领域问答

    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

  • 基于知识引导的开放领域问答中的文本检索和阅读

    本研究提出了一种基于知识库和相关文章文本联合的开放领域问答方法，通过检索和阅读一个包含文本段的图表结构，并采用跨相关段落传播信息的方式更新文本段落表示，从而在 WebQuestions、自然问题和 TriviaQA 三个任务的数据集上实现了 2-11% 的性能提升。

    Nov, 2019

  • 走向语义网上的问答系统

    本文提出了一种基于 SPARQL 查询的多语言语义 Web 知识库问答（QA）方法，能够查询多个知识库，可轻松移植到其他知识库和语言。通过对五个不同的知识库和五种语言的评估，证明了该方法的影响。

    Mar, 2018

  • 大规模混合知识图谱上的问答系统

    BigText-QA 旨在开发一个综合 QA 系统，它能够回答基于一个知识图谱（KG）的更冗余形式的问题，该图谱将结构化和非结构化（即 “混合”）知识组织在统一的图形表示中，既有一个命名实体的规范集合，又有提供高度多样化的关系释义和丰富上下文信息的文本子句的开放集合。

    Dec, 2022