AAAIJun, 2017

S-Net：从答案抽取到答案生成的机器阅读理解模型

PDF
TL;DR本文提出了一种新的机器阅读理解方法，使用抽取 - 综合框架来解决 MS-MARCO 数据集的问题，该方法使用先进的神经网络技术来构建具有单篇阅读理解的答案抽取模型，并使用序列到序列神经网络作为答案综合模型，实现了对多篇文献的问答。实验结果表明，这种方法的性能超过了现有的最佳方法。
发现论文，激发创造
  • MS MARCO：人类生成的机器阅读理解数据集

    介绍了一个大规模的机器阅读理解数据集 MS MARCO，由真实用户的查询日志中提取了 1010916 个问题和 8881823 个网页文本，并提供了三个任务用于评估及基准测试，即根据一些上下文语境回答问题、生成可理解的答案和给定问题评分。

    Nov, 2016

  • 通过生成问题和答案对自动化阅读理解

    本文提出一种基于神经网络的两阶段机制来生成问题 - 答案对，第一阶段采用 Pointer Networks 编码句子中的关键答案，第二阶段采用序列到序列模型生成问题，最终采用全局注意力和答案编码生成最相关的问题。实验结果表明我们的方法在生成问题的质量上显著优于现有方法，是自动阅读理解评估的又一步。

    Mar, 2018

  • 随机答案网络用于机器阅读理解

    提出了一种简单而健壮的随机答案网络（SAN），通过在神经网络的最后一层中使用一种随机预测辍学的方式，模拟机器阅读理解中的多步推理，以此提高鲁棒性并在 Stanford 问题回答数据集（SQuAD）、对抗性 SQuAD 和 Microsoft 机器阅读理解数据集（MS MARCO）上获得了具有竞争力的结果。

    Dec, 2017

  • 问答生成模型

    本研究通过使用编码 - 解码模型，结合复制机制和覆盖向量维护，实现了生成式问答，并在 MS-MARCO 数据集上验证了该方法的出色表现。

    Nov, 2017

  • 学习循环跨度表示与摘要式问答

    本文针对 SQuAD 数据集所提出的答案抽取任务，通过循环网络有效地构建了证据文档中所有跨度的固定长度表示，证明对显式跨度表示进行评分显著优于其他方法，并在 Wang＆Jiang（2016）的最佳已发布结果上提高了 5％，并且将 Rajpurkar 等人的基线误差减小了 50％以上。

    Nov, 2016

  • 使用 Match-LSTM 和答案指针 的机器阅读理解

    提出了一个基于匹配式 LSTM 和 Pointer Net 的神经网络结构，用于机器理解文本，能够在 Stanford Question Answering Dataset 数据集上对传统的逻辑回归与手工特征提取方法结果有显著的提升。

    Aug, 2016

  • 阅读理解中候选项提取和答案选择的联合训练

    本文提出了一种抽取后选择的两阶段阅读理解方法，将候选答案的信息融合后再选择答案，通过强化学习联合训练得到提高，最终提高了两个高难度的开放域阅读理解数据集的性能。

    May, 2018

  • 跨段落答案验证的多段机器阅读理解

    提出了一种基于端到端神经模型的多文本阅读理解模式，通过多个模块的共同作用来检测文本间的答案验证，实现对真实网络数据的阅读理解，显著提高了 MS-MARCO 数据集和中文 DuReader 数据集的 MRC 模型性能。

    May, 2018

  • 多风格生成阅读理解

    本研究提出了一种名为 Masque 的多风格抽象化摘要模型，该模型关注于从问题和多个文本段落中生成摘要，以涵盖现实世界应用所需的各种答案风格，并通过将多风格答案学习到一个模型中来提高自然语言生成能力，实验表明该模型在多个任务中的表现都达到了最新的最好水平。

    Jan, 2019

  • 检索与阅读：信息检索和阅读理解的多任务学习

    本研究提出一种简单而有效的方法，通过使用监督多任务学习，将 IR 和 RC 任务结合起来，以考虑答案跨度来训练 IR 组件，实现大规模机器阅读，从而取得了最先进的表现。

    Aug, 2018