Jul, 2017

MEMEN：用记忆网络的多层嵌入进行机器阅读理解

PDF
TL;DR本论文介绍了一种新型的神经网络架构 MEMEN，在 MC 风格的问题回答任务中取得了具有竞争力的结果，并在 TriviaQA 数据集上取得了最新成果。
machine comprehensionnatural language processingneural networkembedding layermemory network
发现论文，激发创造
  • 一种基于关系记忆的嵌入模型，用于三元组分类和搜索个性化

    介绍一个新的嵌入模型 R-MeN，它利用关系内存网络探索关系三元组中的潜在依赖关系，以提高新三元组的分类准确性和个性化搜索效果。经实验证明，该模型在三元组分类和个性化搜索任务上取得了最佳性能表现。

    Jul, 2019

  • 面向未知词的层次记忆网络答案选择

    论文提出了一种新的分层记忆网络 (Hierarchical Memory Networks, HMN)，它利用注意力机制在句子级别和单词级别的记忆上分别进行推理，以处理在答案中出现较少或不知道的词汇，并在实验中证明其表现优于记忆网络。

    Sep, 2016

  • 消息传递查询嵌入

    本文提出了一种基于图神经网络对查询进行编码的通用架构，与现有方法相比，该方法可以编码更多种类型的查询。实验结果表明，该模型可以学习到表示实体类型的实体嵌入，并在复杂查询方面表现优异。

    Feb, 2020

  • 基于记忆嵌入的学习

    本文研究嵌入学习，将其扩展到时间、空间和符号的各种认知内存功能，并利用该数学模型推导出许多有关人类记忆的假设。

    Nov, 2015

  • 记忆网络

    本文介绍了一种新的学习模型 - 记忆网络，利用推理组件和长期记忆组件共同学习。这些模型可以用于问答型任务中，长期记忆作为动态知识库，输出为文本响应。在评估中表明记忆网络模型在问答中具有强大的推理能力。

    Oct, 2014

  • 用于问答系统中语义检索的多任务句子编码模型

    本文提出了一个多任务句子编码模型 (MSEM) 用于 Paraphrase Identification（PI）问题。我们使用连接图表示句子之间的关系，并应用多任务学习模型来解决句子匹配和意图分类问题。此外，我们实现了一个通用的语义检索框架，结合了我们提出的模型和近似最近邻（ANN）技术，可以在在线服务中快速地找到最相似的问题。实验结果表明，我们提出的方法与现有的句子匹配模型相比具有优越性。

    Nov, 2019

  • 基于神经网络的问答系统中问题理解与适应的探讨

    本文通过在神经网络框架中密切模拟问题，引入句法信息来帮助编码问题，并将不同类型的问题和共享信息建模为适应性任务，并提出适应性模型，从而在 Stanford 问题回答数据集（SQuAD）上证明这些方法可帮助获得比竞争基准更好的结果。

    Mar, 2017

  • 基于记忆增强的多线索推理的知识驱动视觉问答

    通过生成多个线索进行推理的记忆神经网络 (MCR-MemNN) 作为一种全新的框架用于视觉问答，可以更好地利用外部知识来回答更一般性的问题，并且在各模态（图像、问题和知识库）中捕捉到最相关的信息。

    Dec, 2023

  • MCSE: 句子嵌入的多模态对比学习

    本文提出了一种基于多模态对比目标的句子嵌入学习方法，利用同时包含视觉和文本信息的数据提高了语义相似性任务的性能，并通过分析文本嵌入空间的性质解释了本方法提高性能的原因。

    Apr, 2022

  • 神经阅读理解中问题与答案的分离

    本文提出了一种新的神经体系结构，旨在充分利用查询 - 答案记忆体的显式支持，以回答问题。我们的模型能够在单独累积预测答案证据的同时，对给定的查询进行细化和更新。通过该体系结构的松散连接信息通路（模块），我们的模型有效地分离了与查询相关的支持搜索和答案预测。根据阅读理解的最新基准数据集，我们的模型取得了最先进的结果。定性分析表明，模型能够有效地累积来自查询和多次支持检索的加权证据，从而实现了强大的答案预测。

    Jul, 2016