Jan, 2018

基于注意力的神经匹配模型 aNMM：短答案文本排序

PDF
TL;DR本文提出了基于注意力机制的神经匹配模型，采用基于价值共享的加权方案，结合问题关键词重要性学习，使用 popular benchmark TREC QA 数据集验证其在短答案文本排名方面的性能优越性。
deep learningconvolutional neural networkslong short-term memory modelssemantic matchingattention based neural matching
发现论文，激发创造
  • 基于注意力自编码器的无监督问题检索模型

    本文提出一种新的无监督框架 RAMN 用于计算两个问题之间的语义匹配，并利用注意力自编码器生成问题的语义表示。该方法在 SemEval-2016 和 SemEval-2017 的实验数据集中比有监督方法更具竞争力并取得了更好的性能。

    Mar, 2018

  • 基于关注机制循环神经网络和基于相似矩阵的卷积神经网络的 Freebase 问答

    本研究提出了一种基于注意力循环神经网络和相似度矩阵卷积神经网络（AR-SMCNN）模型的知识库问答方法，能够充分利用循环神经网络和卷积神经网络的优势，从而能够捕获全面的层级信息，同时使用了新的启发式扩展方法对实体检测进行了优化，在 SimpleQuestion 基准测试中表现出更高的准确性和效率。

    Apr, 2018

  • 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

  • 基于深度学习的问答模型实证研究

    本文研究深度学习模型，结合记忆组件或注意力机制进行问答任务。我们比较了三种模型：神经机器翻译、神经图灵机和记忆网络，用于一个模拟 QA 数据集。研究表明，注意力和记忆的组合有潜力解决某些 QA 问题。其中，本文是首个使用神经机器翻译和神经图灵机解决 QA 任务的研究。

    Oct, 2015

  • 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

  • 基于词语对齐的 FAQ 问答系统

    本文提出了一种新的基于单词对齐的方法来解决 FAQ 问题回答任务，并且实验证明，问题相似度模型比基线系统更有效，稀疏特征可使 top-1 准确度提高 5％，而学习排名算法显着优于传统方法。此外，本文的方法在答案选择任务上表现优异。

    Jul, 2015

  • 基于双向注意力记忆网络的知识库问答

    本文提出了一种新型的双向注意力记忆网络（BAMnet），通过直接建模问题和知识库之间的交互作用来回答自然语言问题，并使用注意机制使解释性比其他基准线更好，在 WebQuestions 基准测试中，我们的方法明显优于现有的基于信息检索的方法，并且在（手工制作的）语义解析方法基础上依然具有竞争力。

    Mar, 2019

  • 利用预训练和大型语言模型提升社区问答中的答案选择

    本文提出了使用预训练模型的 Question-Answer 交叉注意网络（QAN）进行回答选择，并利用大型语言模型（LLM）来进行具有知识增强的回答选择。实验证明，QAN 模型在 SemEval2015 和 SemEval2017 数据集上实现了最新的性能。同时，LLM 利用外部知识进行问题和正确答案的知识增强，并通过不同方面对 LLM 的提示进行优化，结果表明外部知识的引入可以提高 LLM 在 SemEval2015 和 SemEval2017 数据集上的正确答案选择率，同时通过优化提示，LLM 也能在更多问题上选择正确的答案。

    Nov, 2023

  • 对话中问题检索和下一问题预测的神经匹配模型

    本论文介绍了利用深度神经网络训练的神经匹配模型来解决提问检索和会话中的下一个问题预测的任务，并进行了实验和评估，证明神经匹配模型在这两个任务中表现良好。

    Jul, 2017

  • 注意力求和读者网络的文本理解

    该研究提出了一种使用注意力机制直接从文本中选取答案的模型，特别适用于以文本中某个单词为答案的问题，并在多个数据集上取得了新的最优成绩。

    Mar, 2016