Studio Ousia 的知识竞赛问答系统

NIPSMar, 2018

Studio Ousia's Quiz Bowl Question Answering System

Ikuya Yamada, Ryuji Tamaki, Hiroyuki Shindo, Yoshiyasu Takefuji

TL;DR本文描述了一个问答系统，使用了两个新型神经网络模型和传统的信息检索模型，结合了监督式机器学习模型来解决 factoid 问题，成为第 31 届 NIPS 的 Human-Computer Question Answering 竞赛中胜出的系统，并以极大的优势击败了六位高水平的人类竞赛专家。

Abstract

In this chapter, we describe our question answering system, which was the winning system at the Human-Computer Question Answering (HCQA) Competition at the Thirty-first Annual Conference on Neural Information Processing Systems (NIPS). The competition requires participants to address a

question answering system neural networks information retrieval supervised machine learning quiz bowl

发现论文，激发创造

BioASQ 5B 上的神经问答

本文描述了我们在 2017 年 BioASQ 挑战赛中的参与，并重点关注生物医学问题回答技术。我们使用了一种抽取式 QA 模型，使用生物医学词向量来扩展 FastQA，并将其应用于提取输入文本片段的子字符串输出。我们将模型在大规模开放域 QA 数据集 SQuAD 上进行预训练，然后在 BioASQ 训练集上进行微调参数。通过我们的方法，我们在事实问题上实现了最先进的结果，并在列表问题上实现了有竞争力的结果。

Jun, 2017

逐步问答的必要性：Quizbowl 案例

比赛中的增量回答和顺序决策对机器学习和问答模型的挑战，这项研究介绍了三个独特的挑战，其中包括数千个维基百科式答案的事实型问答，对机器学习模型的信心分数进行校准，基于对问题的两种推理：上下文与对手建模。

Apr, 2019

对抗性智力问答写作的新界面

通过引入一种收集对抗性人工编写的问题的界面，我们利用人类生成的数据来开发让机器更好应对复杂任务的对抗性数据集，这对于开发问答人工智能是至关重要的。我们的界面不仅为创新的 Quiz Bowl AI 项目 QANTA 收集训练数据，同时也是为问答系统未来对抗性数据收集的一个概念验证。

Mar, 2024

作弊者之碗：人类与计算机搜索策略在开放领域问题回答中的对决

在研究中，我们设计了一个名为 Cheater's Bowl 的游戏化界面来收集人类搜索行为的数据，分析了人类的搜索策略，并与最先进的多跳 QA 模型进行了比较，证明了人类的搜索策略可以提高现有系统的准确性，也提出了未来 QA 模型设计的改进。

Nov, 2022

基于规则的开放域问答系统在 SQuAD v2.0 数据集上的设计与开发

本研究提出了一种基于规则的开放域问答系统，可以回答来自相关上下文的任何领域的问题，使用 1000 个问题的 SQuAD 2.0 数据集测试开发的系统表现满意，同时分析了性能。

Mar, 2022

基于神经网络的子程序基础问题问答系统

研究了基于上下文的 QA 系统的软件工程应用，使用尺寸为 10.9M 的数据集和自定义的神经 QA 模型来回答关于子例程基础问题，可用于软件工程的对话系统。

Jan, 2021

HCQA @ Ego4D EgoSchema Challenge 2024

我们提出了一种新颖的分层理解方案 HCQA，用于自我中心视频问答，其中包括精细的字幕生成、上下文驱动的摘要生成和推理引导的回答。在 EgoSchema 盲测集中，HCQA 在回答超过 5000 个人工多项选择题中达到了 75% 的准确率。

Jun, 2024

医学问题理解和回答：基于知识基础和语义自我监督

通过知识引导和语义自监督方法，引入了一个医疗问题理解和回答系统，该系统可以对较长、详细和非正式措辞的患者提出的问题（称为 “消费者健康问题”）进行处理。

Sep, 2022

会话式问答：综述

本文对 2016 至 2021 年所发表关于问答系统的各项研究进行了回顾与总结，发现多轮问答系统已取代了单轮问答系统的先前主导地位，这表明了其在提高人工智能对话系统方面的重要性，同时也描绘了开展更多进一步和有利的研究的未来研究方向。

Jun, 2021

利用生成 NQ 类问题来改进问答

本研究提出一种算法，利用数据集转换技术从长的 Trivia 问题转化为类似于日常人类交流的较短问题的方式，自动生成自然问题（NQ）数据集中的问题，同时使用神经分类器检测并去除不合法的问题，从而生成高质量的数据集，提高了 QA 表现，该算法在低资源环境下使用，扩展了 QA 系统的规模，同时保持了训练数据的质量。

Oct, 2022