EMNLPAug, 2018

对话机器阅读中的自然语言规则解释

PDF
TL;DR研究了机器阅读中的问题回答问题，并提出了基于背景知识的规则解释与应用任务，开发了众包策略进行实例收集，评估了基于规则和基于机器学习的基线表现，结果表明不需要背景知识时具有良好的结果，需要背景知识时存在改进空间。
发现论文，激发创造
  • 上下文中理解自然语言

    本文旨在研究自然语言交互与认知机器人、知识表达形式、计划工具和翻译过程的结合应用，以提高其在日常生活中的任务完成效率。

    May, 2022

  • 教授机器阅读和理解

    本篇论文提出了一种新方法，通过大规模监督学习从而提供阅读理解的数据集，开发了一类基于注意力机制的深度神经网络，使其能够在没有先前语言结构知识的情况下阅读真实文档并回答复杂问题。

    Jun, 2015

  • 开放式检索式对话式机器阅读

    本文提出并研究了对话式机器阅读的开放检索设置。在这种场景下，系统需要从一组规则文本中检索问题相关证据，并以对话方式回答用户的高级问题。我们提出了一个名为 MUDERN 的多段落语篇感知蕴涵推理网络，在我们创建的 OR-ShARC 数据集上实现了最先进的表现，超过了现有的单一段落和新的多段落对话式机器阅读模型。

    Feb, 2021

  • 问答式交互语言学习

    该论文提出了一种基于交互的文本问答任务 QAit，通过使用基于深度强化学习的智能体与部分可观察的文本环境交互来获取答案所需的信息，提高了机器阅读系统在问答任务中的表现。

    Aug, 2019

  • 无需问题示例的开放领域澄清问题生成

    通过提出一个视觉基础的问题 - 回答模型框架，使用期望的信息量增益优化来产生极性澄清问题以消除人机对话中的误解，从而展示了该模型在目标导向的 20 个问题游戏中与人工回答者一起提出的问题如何提高交流成功率。

    Oct, 2021

  • 利用答案选择之间的自然语言关系进行机器理解

    本文介绍了一种通过利用自然语言关联性来提高机器的阅读理解性能的方法：使用独立的问答系统进行问答任务和自然语言推理系统对选择对之间的关系进行分析，然后通过基于整数线性规划的关系框架进行推理，提高独立问答系统的决策能力。此外，本方法还提出了一个多任务学习模型。

    Dec, 2020

  • 基于对话的语言学习

    研究人员在机器学习和自然语言理解方面的不懈探索中探讨了基于对话的语言学习，发现预测前瞻是一种有前途的学习策略，并表明它可以在没有奖励监督的情况下正确地回答问题。

    Apr, 2016

  • 人工智能能为我做些什么：评估机器学习解释在合作游戏中的作用

    我们提出了一种解释方法，并通过一个真实的任务和真实的人类用户的评估来衡量它的有效性。这项工作旨在为人机协作中的自然语言处理提供设计指导。

    Oct, 2018

  • 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

  • 迈向 AI 完全问答：一组前置 Toy 任务

    通过提出一组考核阅读理解水平的代理任务，我们测量了自然语言处理中的方法应用于推理和建立智能对话代理的长期目标，提出的任务可以通过链式事实、简单归纳、演绎等多种方式测试系统的理解能力，并为希望能够与人类对话的任何系统奠定必要的先决条件，我们相信，许多现有的学习系统目前还无法解决这些问题，我们的目标是将这些任务分类为技能集，以便研究人员可以确定并纠正他们的系统的缺陷。我们还扩展和改进了最近介绍的 Memory Networks 模型，并表明它能够解决其中的一些任务，但不是全部。

    Feb, 2015