AAAIAug, 2017

R$^3$: 强化学习阅读器 - 排名器用于开放领域问答

PDF
TL;DR本文提出了一种基于神经网络和增强学习的新型开放领域问答系统，通过信息检索结合阅读理解模型对大规模语料库进行查询，显著提高了多个数据集的表现。
neural networksquestion answeringopen-domain qareinforcement learninginformation retrieval
发现论文，激发创造
  • 训练用于开放域问答的排名函数

    该研究提出了两个神经网络排序器，用于评分不同段落是否包含特定问题的答案，进一步分析了语义相似性与单词级相关性匹配在开放域 QA 中的相对重要性。

    Apr, 2018

  • RankQA：具有答案重新排序的神经问答模型

    RankQA 是一种新的神经问答模型，利用三阶段过程（检索、理解和重新排序）来自动回答问题，为后续基于内容的问答研究提供了有力的基线模型。

    Jun, 2019

  • 开放域问答中的答案重新排序的证据聚合

    本文提出了两种新的模型，在公开领域问答数据集中取得了最具竞争力的结果。这两种方法是使用多篇文章生成答案。

    Nov, 2017

  • 检索，阅读，重新排名：面向端到端多文档阅读理解

    本文提出了 RE$^3$QA，一种统一的问答模型，它结合了上下文检索、阅读理解和答案重排序来预测最终答案。与以往的流水线方法不同，RE$^3$QA 跨不同的组件共享上下文化的文本表示，并设计了高质量的上游输出来直接监督下游模块，从而避免了上下文不一致的问题，实现了端到端的训练。实验证明，我们的模型优于管道基线，在两个版本的 TriviaQA 和两个变体的 SQuAD 上实现了最先进的结果。

    Jun, 2019

  • 在开放领域问答中对段落进行排名以提高答案召回率

    本文讲述了一种称为段落排名器的方法，它提高了开放域 QA 管道的性能，通过排名检索文档的段落以获取更高的答案回忆率和更少的噪声。在四个开放域 QA 数据集上，使用段落排名器排名段落和聚合答案相比未使用该方法，性能平均提高了 7.8%，也展示了开放域 QA 与机器理解模型的结合。

    Oct, 2018

  • 可扩展开放领域问答的多步检索器和阅读器交互

    该论文介绍了一种新的开放域问答框架，其中检索器和阅读器相互迭代交互，引入了多步推理机制，有助于从长度为百万级的语料库中检索信息性段落，并应用于不同的问答数据集和模型中均取得了一致性的提升。

    May, 2019

  • 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

  • R2-D2：开放领域问答的模块化基线

    R2-D2 是一个四阶段的开放领域问答管道，由检索器、段落重新排名器、抽取读取器、生成读取器以及一个聚合所有系统组成部分的终极预测机制组成。我们在三个开放领域问答数据集上展示了其优势，并超越了前两个的最新成果。我们的分析表明：(i) 将抽取式和生成式读取器相结合可以产生达到 5 个精确匹配的绝对改进，其效果至少是使用不同参数的同一模型的后验平均集成的两倍。(ii) 在抽取式问答数据集上，具有更少参数的抽取式读取器可以与生成式读取器的表现相匹配。

    Sep, 2021

  • UnitedQA: 开放领域问答的混合方法

    本文研究了一种混合的提取式和生成式阅读器方法，以及如何结合这两种方法进行问答。我们通过一些新技术对预训练的神经语言模型进行了改进，证明了这种方法比以前最先进的模型效果更好，取得了 3.3 和 2.7 的提升。

    Jan, 2021

  • 开放域问答阅读器能像人类一样高效地利用外部知识吗？

    通过对外部知识进行动态阅读的方法，结合模型参数内已有知识的‘封闭阅读’和结合‘开放阅读’的方式，有效提升了开放域问答模型的推理效率和预测准确率。

    Nov, 2022