FlowQA:历史流程掌握在对话机器理解中的应用
本研究提出了 GraphFlow 模型,通过图形结构学习技术及 Recurrent Graph Neural Network 有效捕捉了磋商历史,并引入流机制建模上下文图形的时间依赖关系,从而提高了对话流的捕获能力,对 CoQA、QuAC 和 DoQA 等基准测试表现具有竞争力,而且可为推理过程提供良好的可解释性。
Jul, 2019
本文提出了一种显式建模对话推理信息增益的方法来更好地理解对话流程和理解其背后的上下文,其在 QuAC 和 SCONE 数据集上取得最先进性能,展示了该方法的有效性和其推广到不同 QA 模型和任务的能力。
Aug, 2019
本研究关注对话式问题生成作为一种产生训练和评估目的的合成对话的手段,并设计了 ChainCQG 作为一种跨多个对话回合学习问题 - 答案表征的系统,显著优于 SOTA 基线并能够生成各种类型的问题。
Feb, 2021
本文提出了一个任务,即 Complex Sequential QA,它结合了回答简单事实性问题和通过一系列有逻辑的问答匹配进行会话来进行复杂推理,本文也介绍了关于这个任务所需数据集,以及目前现有的模型在处理实际场景中还存在的不足。
Jan, 2018
本文提出了一种基于图模型和关联反馈的检索方法,用于连续的问答交互中提高检索效率和准确性。实验结果显示,与当前流行的方法相比,该方法大幅提高了问题回答的 F1 得分。
Apr, 2021
本篇研究探讨通过端到端神经网络模型实现高度会话类型的互动问答问题自动生成,该模型实现了两个重要方面的突破:(1)几乎有一半的问题都通过前面的对话历史使用指代引用数来生成;(2)连贯对话中不同回合中的问题需要流畅衔接匹配。
Jun, 2019
本文提出了一种将 QA 应答置于 SEQ2SEQ NLG 方法内以生成流畅语法的答案,同时保持正确性的方法,并使用数据增强和 BERT-based 分类器对其进行排名,人工评估结果表明该模型在对话响应生成方面优于基线模型。
May, 2020
本研究提出了一种新的口头对话问答任务,能够使问答系统对给定的语音话语和文本语料库建模,其中使用了新的统一数据精炼方法 DDNet 直接融合音频文本特征以减少语音识别错误率,同时运用 Spoken-CoQA 数据集评估系统的对话式互动能力,并在实验中取得了优异的性能表现。
Oct, 2020
本研究提出了一种名为 CoHS-CQG 的两阶段交谈问答生成框架,其中采用 CoHS 模块来缩短输入的上下文和历史,以优化对话对齐属性。该模型在 CoQA 的答案感知和答案不感知情况下均取得了最先进的性能。
Sep, 2022
提出了一种新的口语会话问答任务(SCQA),旨在使系统能够模拟复杂的对话流程,以便处理音频记录中的对话式问题,并探索从不同模态提供更多线索,通过 DDNet 方法有效地摄取跨模态信息以实现语音和语言模态的细粒度表示,并通过双向关注机制鼓励更好的音频和文本之间的对齐,以简化知识转移过程。通过 Spoken-CoQA 数据集,证明了跨模态信息融合的必要性,同时证明了提出的方法在口语会话问答任务中具有卓越的性能表现。
Apr, 2022