KDDJun, 2018

学习提问：通过 20 个问题获取知识

PDF
TL;DR本文提出了一种基于 20 Questions 策略、采用 Learning-to-Ask 框架结合深度强化学习和概率矩阵分解的方法，可以有效地实现无人值守高准确度知识获取。基于实验数据结果，Learning-to-Ask 方法成功地使得智能体获得高成功率和快速知识获取的效果。
knowledge acquisition20 questionslearning-to-askreinforcement learningbayesian approach
发现论文，激发创造
  • 基于策略的强化学习在 20 问题游戏中的应用

    本文提出了一种新的基于策略的强化学习方法，通过与用户的持续交互，使提问者代理学习到最优的问题选择策略。与以往方法相比，我们的强化学习方法对嘈杂的答案具有鲁棒性，不依赖于物品的知识库，在无噪音的模拟环境中具有竞争力的表现。

    Aug, 2018

  • 从语言中训练 RL 代理程序查询外部知识

    本研究提出了基于非参数记忆、指针机制和情节式探索奖励的 AFK 代理，使其能够询问外部语言知识来帮助解决任务，大量实验证明 AFK 代理在挑战性的 Q-BabyAI 和 Q-TextWorld 环境中优于最近的基线。

    May, 2022

  • 从知识图谱中得出的知识问题

    本研究提出一种针对知识图谱（如 DBpedia）自动生成知识问题的方法，通过使用端到端的方法，包括实体选择、三元组查询、答案选择和自然语言问句生成，并使用历史数据和训练分类器来估计问题难度。最后的实验证明了这种方法的可行性。

    Oct, 2016

  • 直击事实：学习用于事实视觉问答的知识库检索

    本文介绍了一种基于学习嵌入空间的方法来解决知识库交互中的同义词和同形异义词问题，并在基于事实的视觉问答数据集上取得了超过 5％的最优结果。

    Sep, 2018

  • 聊天机器人作为问题解决者：通过角色逆转玩二十个问题

    本文介绍一个基于 ChatGPT 的多角色、多步骤的二十问游戏挑战，研究发现在各种实验中，ChatGPT 可以在少于二十个问题（平均为 12 个问题）内猜出随机对象名称，并且在十六种不同的实验设置中正确率达到 94％。ChatGPT 在四种新颖的用例中扮演提问者、回答者、提问和回答双方角色，并最终尝试猜测适当的情感，并证明 ChatGPT 所表现出来的推理和问答技能可以用于复杂的蛋白质设计、神经科学元数据和儿童发展教育材料等领域。

    Jan, 2023

  • 通过多跳英文问题查询知识

    本文介绍了一种基于控制语言 CNL 的知识编写和查询方法，通过对 KALM 系统的扩展，提出了可以回答更复杂问题的 KALM-QA，并与机器学习方法进行了对比，结果表明 KALM-QA 在回答电影相关问题方面能够达到 100% 的准确率。

    Jul, 2019

  • 问对问题：强化学习的主动问题重构

    本文介绍了一种称为 Active Question Answering 的基于强化学习的问题回答方法，通过探究黑盒 QA 系统并最大化回答质量来重新构筑问题，该方法在 Jeopardy! 等复杂问题数据集上表现出比其他基准模型更好的性能，并发现了与信息检索技术类似的策略。

    May, 2017

  • 学习检索有吸引力的后续查询

    本文提出了一种基于检索的系统和相关数据集，用于预测用户可能有的下一个问题，可以主动地帮助用户进行知识探索，引导用户进行更有意义的对话。该检索系统是在一个包含 14000 多组信息获取对话的数据集上进行训练的，该数据集包含一个有效的后继问题和一组无效候选问题。我们在 Follow-up Query Bank 数据集上训练了排名模型，并比较了监督和无监督方法的结果。结果表明，我们可以通过将有效后继问题排在更高的位置上进行检索，但进一步的知识构建可以提高排名性能。

    Feb, 2023

  • 基于问题回答语料库和知识库的问题回答学习

    本论文提出了一种新型问题表示方式：模板，应用于十亿级别的知识库和百万级别的问答数据。通过学习用于特定目的的模板，系统 KBQA 可以有效地回答基础性问题和复杂问题，并在 QALD 基准测试中胜出其他工作。

    Mar, 2019

  • Just Ask: 视觉与语言导航的交互学习框架

    本文提出了一个交互式学习框架以及多种学习方法应对视觉和语言导航任务中出现的模糊情况，引入强化学习并设计奖励塑形项使智能体仅在必要时提问，同时展示了持续学习策略的有效性。

    Dec, 2019