阅读理解中候选项提取和答案选择的联合训练
通过分布式表征学习语义编码,我们提出了一种新方法,用于解决回答句子选择的任务,该方法不需要任何特征工程或专业语言数据,可轻松适用于各种领域和语言,并在 TREC 标准基准数据集上达到了与最先进的性能相当的结果。
Dec, 2014
本研究提出一种深度串级学习模型来平衡在线问答系统的效能和效率之间的基本权衡,在多文档的 MRC 场景中取得更好的效果并能够在不到 50 毫秒内稳定地为数百万日请求提供服务。
Nov, 2018
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。
Mar, 2018
本文提出一种新的共同匹配方法来解决多选阅读理解问题,该方法同时建模一个段落是否匹配一个问题和一个候选答案,在 RACE 数据集上的实验结果表明我们的方法达到了最先进的性能。
Jun, 2018
本文提出了一种新的机器阅读理解方法,使用抽取 - 综合框架来解决 MS-MARCO 数据集的问题,该方法使用先进的神经网络技术来构建具有单篇阅读理解的答案抽取模型,并使用序列到序列神经网络作为答案综合模型,实现了对多篇文献的问答。实验结果表明,这种方法的性能超过了现有的最佳方法。
Jun, 2017
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
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
在这篇论文中,我们提出了一种新颖的端到端神经网络框架,通过联合学习对句子进行评分和选择来实现摘要提取。在 CNN / Daily Mail 数据集上的实验证明,我们的方法比现有的抽取式摘要模型表现出更好的效果。
Jul, 2018
该研究利用新颖的联合学习模型解决 CQA 中答案冗余和长度问题,设计了一个以问题为导向的指针生成网络,同时利用答案给长回答降噪,构建了一个包含长回答和参考摘要的大规模 CQA 语料库 WikiHowQA,实验证明该方法可以有效地解决 CQA 中的冗余问题,并取得了在答案选择和文本摘要任务上的最新成果。
Nov, 2019