MMSep, 2018

使用任务特定嵌入的社区问答联合多任务学习

PDF
TL;DR本研究使用深度神经网络 (DNNs) 对社区问答中的问题进行语义表示，并将其与条件随机场 (CRF) 模型相结合，以实现多任务联合学习，包括查找相关问题和相关回答，最终实现在问题 - 评论线程中查找良好回答的目标。该方法显著提高了评估指标，证明了 DNNs 和结构化学习的互补性。
question answeringcommunity forumsdeep neural networksconditional random fieldmultitask learning
发现论文，激发创造
  • 将联合嵌入式应用于多任务学习的目标导向对话

    该文提出了一种基于循环神经网络的端到端编码器 - 解码器结构，其通过联合嵌入知识图谱和语料库的输入来训练模型，提供了用户意图和文本生成的额外整合，并结合多任务学习技术和正则化技术，以惩罚生成错误的实体作为输出。模型在推断期间进一步结合了知识图谱实体查找，以保证生成的输出是基于提供的本地知识图谱的状态。通过 BLEU 得分进行的实证评估表明，该模型可以提高任务导向对话系统的表现。

    Jan, 2020

  • 交叉注意力监督数据增强在问答神经检索中的应用

    通过使用数据挖掘和神经网络构建早期和晚期融合的混合模型，我们展示了一种有效的方法，可以提高在大型语料库中连续空间检索的性能

    Sep, 2020

  • 社区问答中答案选择和答案摘要生成的联合学习

    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

  • 社区问答中的答案排序：一种深度学习方法

    本研究对社区问答的答案排名进行了深入的研究，基于大规模的 Stack Overflow 问题和回答数据，利用深度学习方法 (密集嵌入和 LSTM 网络) 进行预测和排序，提高了问答的准确度，但由于源码中大量的 oov 词汇，深度学习模型的性能提升由限制，未来应开发新的方法以解决该问题。

    Oct, 2022

  • 使用卷积神经网络对问答对中的关系信息进行建模

    本文提出了卷积神经网络来学习问题和回答句子的最佳表现形式，并使用成对匹配的关系信息进行编码，这使得神经网络可以更好地捕捉到问题和答案之间的交互作用，从而有效地提高了准确性。

    Apr, 2016

  • 大规模知识库对话问答的多任务学习

    本论文提出了一种基于多任务学习的框架，通过引入指针设备的语义解析模型和新型类型感知实体检测模型，实现共享监督信号、减轻误差传播影响，并在大规模对话问答数据集上进行实验，将总体 F1 分数从 67％提升到 79％。

    Oct, 2019

  • 带门卷积的半监督问题检索

    本文介绍了一种使用循环和卷积模型（gated convolution）将问题映射到其语义表示的方法，以实现在问答论坛中寻找相似问题并重用之前提供的答案。我们的模型相对于标准 IR 基线和各种神经网络模型（包括 CNN，LSTM 和 GRU）表现出显著优势。

    Dec, 2015

  • 使用子图嵌入的问答

    本文介绍了一种使用少量手工制作特征便可回答广泛话题的问题，通过学习单词和知识库组成的低维嵌入来评估自然语言问题的候选答案的系统。通过使用问题和其答案的结构化表示以及问题改写对模型进行训练，在文献竞赛基准测试上获得了竞争性的结果。

    Jun, 2014

  • 神经网络的答案序列学习 - 针对社区问答中的答案选择

    该论文提出一种基于循环体系结构的创新方法来解决社区问答中的答案选择问题。该方法首先使用卷积神经网络来学习问题 - 答案对的联合表示，然后将联合表示作为 LSTM 的输入来学习问题的答案序列，以标记每个答案的匹配质量。实验结果表明了我们方法的有效性。

    Jun, 2015

  • 基于微调词嵌入语义相似性对社区问答中相关答案进行排名的 SemEval-2016 任务 3 的 SemanticZ

    研究利用基于微调词嵌入和主题相似性的多个语义相似性特征寻找社区问答系统中的满意答案，其主要提交结果在 SemEval-2016 社区问答任务 3 的不同子任务中排名第三。

    Nov, 2019