SIGIRJul, 2017

探究卷积神经网络在端到端问答中的答案选择效果

PDF
TL;DR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。
natural language question answeringconvolutional neural networksend-to-end pipelineanswer selectiontrecqa dataset
发现论文，激发创造
  • 使用卷积神经网络从图像中学习答案

    本文提出使用卷积神经网络 (CNN) 解决图像问答 (QA) 问题，通过三个 CNN 模型来提升图像和问题共同表示的分类能力。经过 DAQUAR 和 COCO-QA 两个基准测试集的测试，本文的模型表现显著优于现有的最优解。

    Jun, 2015

  • 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

  • 使用卷积神经网络对问答对中的关系信息进行建模

    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

  • 答案句子选择的深度学习

    通过分布式表征学习语义编码，我们提出了一种新方法，用于解决回答句子选择的任务，该方法不需要任何特征工程或专业语言数据，可轻松适用于各种领域和语言，并在 TREC 标准基准数据集上达到了与最先进的性能相当的结果。

    Dec, 2014

  • 基于属性和外部知识的图像字幕和视觉问答

    本文提出了在成功的卷积神经网络 - 循环神经网络方法中加入高级概念的方法，并证明其在图像字幕和视觉问答中取得了显著的改进。 该机制还可用于合并外部知识，特别是允许在图像中回答有关内容的问题，即使图像本身不能提供完整答案。

    Mar, 2016

  • 基于 LSTM 的深度学习模型用于非事实答案选择

    本文探索了一种深度学习框架，用于解决答案选择问题，结合双向长短期记忆模型、卷积神经网络和注意力机制，结果表明该模型在 TREC-QA 和 InsuranceQA 数据集上优于已有模型。

    Nov, 2015

  • ABC-CNN: 基于注意力的卷积神经网络用于视觉问答

    本研究提出一种注意力机制的卷积神经网络，可用于解决视觉问答任务，有效提升已有方法的准确率，并生成与问题相关的关注区域。

    Nov, 2015

  • 基于注意力卷积神经网络的简单问答

    该研究针对 Freebase 中的单关系事实问题回答，提出了一种两步骤流水线方法解决问题：实体链接和事实选择，结果表明该方法在 SimpleQA 任务上超过了现有技术水平。

    Jun, 2016

  • 使用动态参数预测的卷积神经网络进行图像问答

    本研究通过使用卷积神经网络和动态参数层学习来解决图像问答问题，并使用门控循环单元的参数预测网络进行自适应参数预测，进而采用哈希技术降低问题规模。该算法在所有可用的公共图像问答基准测试中取得了最优性能。

    Nov, 2015

  • 开放式视觉问答

    研究使用深度学习框架解决视觉问答任务的方法，探索 LSTM 网络和 VGG-16、K-CNN 卷积神经网络提取图像特征，将其与问题的词嵌入或句子嵌入相结合进行答案预测。在 Visual Question Answering Challenge 2016 中获得了 53.62％的准确率。

    Oct, 2016