KDDMar, 2018

通过生成问题和答案对自动化阅读理解

PDF
TL;DR本文提出一种基于神经网络的两阶段机制来生成问题 - 答案对，第一阶段采用 Pointer Networks 编码句子中的关键答案，第二阶段采用序列到序列模型生成问题，最终采用全局注意力和答案编码生成最相关的问题。实验结果表明我们的方法在生成问题的质量上显著优于现有方法，是自动阅读理解评估的又一步。
neural networkquestion generationanswer generationpointer networkssequence to sequence models
发现论文，激发创造
  • 学会提问：神经网络阅读理解问题生成

    该研究采用基于注意力机制的序列自学习模型进行阅读理解中基于句子的自动问题生成，相比于之前的工作，该模型不依赖于手工规则或复杂的自然语言处理技术，并在人工和自动评估中都呈现出更加自然和困难的问题。

    Apr, 2017

  • 基于文本的神经问答生成：初步研究

    本研究提出了一种基于神经编码器 - 解码器模型的自动问题生成方法，可以根据给定的段落生成多样化、有意义的问题并利用 SQuAD 数据集进行了初步实验研究，实验结果显示该方法可以产生流畅且多样化的问题。

    Apr, 2017

  • 从维基百科抽取段落级问题 - 答案对

    本文提出了一个神经网络的方法，该方法应用核心指代知识来产生覆盖单句以外内容的维基百科相关问题 - 答案对，并通过对一百万个这些问题 - 答案对的定性分析表明了该系统的有效性。

    May, 2018

  • 通过文本到文本神经问题生成的机器理解

    本文提出了一种基于递归神经网络的模型，可以根据答案生成自然语言问题，并介绍了一种使用监督学习和强化学习相结合的方式对模型进行训练，然后通过策略梯度技术微调模型以最大化几个衡量问题质量的奖励，其中一个奖励是一个问题回答系统的表现，并通过最近的问答数据集 SQuAD 对模型进行了训练和评估。

    May, 2017

  • 像教育专家一样提问：自动化生成基于真实考试数据的问答配对

    本文介绍了一个针对实际考试数据的新的统一框架，通过自动生成关键词，用多智能体通信模型生成和优化问题和关键词，然后应用模型生成的问题和关键词指导答案生成，从而使问题答案对生成任务取得了显著突破。

    Sep, 2021

  • 利用答案焦点、语境和语言特征进行不同类型问题的神经生成

    本篇论文提出了一种新的 Attentional Encoder-Decoder Recurrent Neural Network 模型用于自动生成问题，该模型融合语言特征和句子嵌入来捕捉句子和单词层面上的意义，并采用复制机制和特殊答案信号生成多样化的问题，在基准问题生成数据集上取得了 19.98 的 Bleu_4 结果，超过了以前发表的所有结果，并且人类评估显示这些新增的功能提高了生成的问题的质量。

    Sep, 2018

  • 问答生成模型

    本研究通过使用编码 - 解码模型，结合复制机制和覆盖向量维护，实现了生成式问答，并在 MS-MARCO 数据集上验证了该方法的出色表现。

    Nov, 2017

  • 基于机器学习方法的句子结构分析自动生成问题

    本文介绍了我们使用传统语言学方法和多种机器学习技术生成英语非结构化文本问句的框架，并且加入了问题评估模块，最终证明我们的生成问题质量优于其他最好的系统，并且与人类创建的问题相当。

    May, 2022

  • 机器阅读理解中的双向问答网络

    该论文提出了一种新颖的双向神经序列转换模型，能够同时学习阅读理解中的三种知识输入方式，即问题、答案和上下文，并通过分层注意力过程对不同形态之间的交互信息进行捕捉和建模。该模型在四个公开数据集上的表现优于其他同类神经网络模型，尤其在问题回答和生成双方面具有更广泛的应用前景。

    Sep, 2018

  • 仿人类提问：基于文本语料库的可扩展问答生成

    本文提出了一种名为 ACS-QG 的问题生成系统，使用信息抽取、神经网络生成器和质量控制器自动生成高质量、多样化的问题 - 答案对，该系统超越了现有神经网络问题生成模型，并能从较少的数据中生成 280 万个高质量的问题 - 答案对。

    Jan, 2020