Dec, 2017

NarrativeQA 阅读理解挑战赛

PDF
TL;DR通过全书阅读来测试阅读理解能力的数据集。
reading comprehensionquestion answeringrc datasetsintegrative aspectlanguage comprehension
发现论文，激发创造
  • 多文档阅读理解

    本文介绍了阅读理解及其在自然语言处理领域的发展，并研究了单文档阅读理解作为多文档阅读理解系统的基础的作用，同时介绍了 RE3QA 模型作为多文档阅读理解系统的最佳答案提取工具。

    Jan, 2022

  • 问答式交互语言学习

    该论文提出了一种基于交互的文本问答任务 QAit，通过使用基于深度强化学习的智能体与部分可观察的文本环境交互来获取答案所需的信息，提高了机器阅读系统在问答任务中的表现。

    Aug, 2019

  • DuoRC: 以复述阅读理解实现复杂语言理解

    我们提出了 DuoRC，这是一个新的阅读理解（RC）数据集，用于推动神经方法在语言理解方面面临新的挑战，并位于所有现有 RC 数据集所没有的地方。该数据集包含从 7680 对电影情节中创建的 186,089 个独特的问答对，其中每个对代表用两个不同的版本（一个来自维基百科，另一个来自 IMDb）编写的相同电影的两个版本。我们要求众包工作者从一个版本的情节中创建问题，并要求另一组工作者从另一个版本中提取或综合回答。

    Apr, 2018

  • 教模型在理解文档后回答问题

    提出了一种两阶段知识蒸馏方法，通过将 MRC 任务分为两个单独阶段教导模型更好地理解文档，实验结果表明，使用该方法装备的学生模型具有显著的改进，证明了该方法的有效性。

    Jul, 2023

  • 更好的检索并不一定会导致更好的问答

    本文针对欧洲议会选举的数据进行建模，提出了一种基于随机森林和多层感知器神经网络相结合的方法，去完成对选民意向的预测任务，该模型相比其他模型具有更好的预测准确度和稳定性。

    May, 2022

  • 临床阅读理解：emrQA 数据集的全面分析

    本论文深度分析医疗领域的机器阅读理解 (CliniRC) 任务，重点关注 emrQA 数据集的缺陷及性能，证明对于未来数据集的创建需考虑利用领域知识和通用性。

    May, 2020

  • IIRC：一个包含不完整信息阅读理解问题的数据集

    本研究提供了一个名为 IIRC 的数据集，其中包含超过 13K 个来自英文维基百科段落的问题，并且这些问题只提供了部分信息以回答，丢失的信息出现在一个或多个链接的文档中。使用众包工作者编写问题，使得此数据集中的问题与答案出现的上下文表述差异大，包括许多需要离散推理的问题，难度较高。通过构建一种基准模型评测模型在该任务上的表现，本研究发现，该模型在 F1 得分上的表现为 31.1％，而人类性能则为 88.4％。

    Nov, 2020

  • LLM 的阅读理解受参数性知识影响，对假设陈述难以理解

    使用虚构的事实和实体构建虚构数据进行阅读理解的评估来避免模型内部知识的干扰，发现了一类语言现象，即在考虑替代和假设情境时当前语言模型容易出错，特别是在涉及语义更复杂的情境下，它们往往不能将文本与内部知识区分开来。

    Apr, 2024

  • 带信息搜索代理的交互式机器阅读理解

    通过重新设计现有的机器阅读理解数据集，将其转化为互动、部分可观察的环境，加入上下文命令并训练模型，有望将模型扩展到面向 Web 级别的 QA 场景。

    Aug, 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