ACLOct, 2017

构建跨文档多跳阅读理解数据集

PDF
TL;DR该研究提出了一项新的任务，以鼓励模型跨多个文档进行文本理解并探究现有方法的限制。 该任务要求模型学习查找和组合证据，从而实现多跳（别名为多步）推理，但两个先前的竞争性模型都在选择相关信息方面遇到了困难。
reading comprehensiontext understandingmulti-hop inferencemachine comprehensiondisjoint pieces
发现论文，激发创造
  • 基于路径图卷积神经网络的跨文档多跳阅读理解

    本文提出了一种基于人类推理处理的新方法来解决多文档的多跳阅读理解问题，我们构建了一种基于路径的推理图来结合基于图和路径的方法，并使用了一个新的问题感知门控机制来调节在文档间传播的信息信息的有用性以及在推理期间添加问题信息。在 WikiHop 数据集上，我们的方法实现了先前发布方法的最新进展，尤其是我们的组合模型超过了人类的表现水平 4.2％。

    Jun, 2020

  • 多跳推理数据集设计选择的理解

    本文研究两个新的数据集对于多跳推理问题，探究了句子分层模型和无标记版本中的伪相关性。结果表明，高绩效模型可能没有像以前想象的那样学到足够的多跳推理。

    Apr, 2019

  • 通过问题分解实现复杂阅读理解

    提出了一种通过可训练的问题分解器将多跳阅读理解问题分解为多个子问题，再利用序列到序列的阅读理解模型预测答案的学习方法，能够使语言模型更好地理解复杂的、组合性的多跳问题，并在 DROP 数据集的一难子集上比基线模型分别提高了 7.2 / 6.1 绝对 F1 点。

    Nov, 2022

  • 句子级 TextGraphs 的多跳推理：为科学问题回答有效地结合信息有多具有挑战性？

    通过评估来自三个自由文本语料库的知识图构建的通过词汇重叠连接的句子的机会聚合质量的 9,784 个手动注释的判断，我们实证表征了构建或遍历图形的困难，表明语义漂移倾向于很高并且聚合质量很低，高亮最大化有意义地组合信息的情况。

    May, 2018

  • 探索、提出和组合：一种可解释的多阶段阅读理解模型

    提出了一个名为 Explore-Propose-Assemble reader (EPAr) 的可解释的 3 模块系统，用于多跳阅读理解，通过迭代选择相关文档、提出答案和提取关键句子等步骤，有效地实现了人类读者对多个长文档进行粗到细的理解行为。在 WikiHop 和 MedHop 等数据集上进行实验，与基线和现有模型相比，该模型取得了明显的验证结果和竞争优势。

    Jun, 2019

  • 构建用于全面评估推理步骤的多跳问答数据集

    本研究创建了一个名为 2WikiMultiHopQA 的新的多跳问题回答数据集，使用结构化和非结构化数据生成问题 - 答案对，并提供包含推理路径的证据信息以提供预测的全面解释并评估模型推理技能。通过实验，我们证明了我们的数据集对于多跳模型来说具有挑战性，并确保需要使用多跳推理。

    Nov, 2020

  • 通过异构图推理跨多个文档的多跳阅读理解

    本文提出了一种名为异构文档 - 实体图（HDE）的图形结构，并使用基于图神经网络的消息传递算法在 HDE 图上进行推理，以解决多跳阅读理解问题。实现了单个 HDE 模型的有竞争力的结果和集合模型的最先进性能.

    May, 2019

  • 面向开放域问答的多跳段落检索

    本文提出了一种方法，用于在大量知识库之中检索多个支持段落，以回答所提出的问题。该方法使用联合向量表示形式，并考虑知识源中段落的上下文句子表示形式。该技术在 SQuAD-Open 和 HotpotQA 的数据集上实现了开放域问答的最新成果。

    Jun, 2019

  • 神经级联多提及学习用于阅读理解

    本文提出了一种以级联模型组合轻量级的前馈网络为基础构建的答案提取算法，可以从文本中获取多次对同一问题的提及与信息聚合，并在 TrivaQA 数据集上表现优异。

    Nov, 2017

  • 规模化多跳阅读理解的认知图

    本文提出了一种新的 CogQA 框架，用于在 Web 规模文件中进行多跳问题回答。该框架通过协调隐式提取模块（系统 1）和显式推理模块（系统 2）逐步构建认知图。我们的实现基于 BERT 和图神经网络，可高效地处理 HotpotQA fullwiki 数据集中的数百万文档，从而实现在榜单上的胜利。

    May, 2019