ACLJan, 2019

多风格生成阅读理解

PDF
TL;DR本研究提出了一种名为 Masque 的多风格抽象化摘要模型，该模型关注于从问题和多个文本段落中生成摘要，以涵盖现实世界应用所需的各种答案风格，并通过将多风格答案学习到一个模型中来提高自然语言生成能力，实验表明该模型在多个任务中的表现都达到了最新的最好水平。
发现论文，激发创造
  • Summarize-then-Answer: 生成多跳阅读理解简明解释

    提出了一种基于抽象化的方法来生成问题相关的简明解释，该方法通过半监督的学习方式训练模型，使用一种关注简洁性的奖励函数来获得更为紧凑的解释。实验证明，在有限的监督下，提出的抽象化解释器生成的解释比传统的摘要解释器更为简洁。

    Sep, 2021

  • 多文档阅读理解

    本文介绍了阅读理解及其在自然语言处理领域的发展，并研究了单文档阅读理解作为多文档阅读理解系统的基础的作用，同时介绍了 RE3QA 模型作为多文档阅读理解系统的最佳答案提取工具。

    Jan, 2022

  • 检索与阅读：信息检索和阅读理解的多任务学习

    本研究提出一种简单而有效的方法，通过使用监督多任务学习，将 IR 和 RC 任务结合起来，以考虑答案跨度来训练 IR 组件，实现大规模机器阅读，从而取得了最先进的表现。

    Aug, 2018

  • 教模型在理解文档后回答问题

    提出了一种两阶段知识蒸馏方法，通过将 MRC 任务分为两个单独阶段教导模型更好地理解文档，实验结果表明，使用该方法装备的学生模型具有显著的改进，证明了该方法的有效性。

    Jul, 2023

  • 问答生成模型

    本研究通过使用编码 - 解码模型，结合复制机制和覆盖向量维护，实现了生成式问答，并在 MS-MARCO 数据集上验证了该方法的出色表现。

    Nov, 2017

  • 阅读理解中多轮推理策略的经验分析

    通过使用最先进的 RC 模型，我们对单回合和多回合推理在 SQuAD 和 MS MARCO 数据集上的表现进行了实证研究，发现多回合推理优于单回合推理，启用灵活的回合次数通常优于固定的多回合策略，并且特别有助于具有冗长描述性答案的问题。

    Nov, 2017

  • NarrativeQA 阅读理解挑战赛

    通过全书阅读来测试阅读理解能力的数据集。

    Dec, 2017

  • 通过生成问题和答案对自动化阅读理解

    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

  • S-Net：从答案抽取到答案生成的机器阅读理解模型

    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

  • 使用组合性解释来教授机器理解

    本文提出了一种使用少量半结构化解释 “教” 机器阅读理解的方法，同时提取结构化变量和规则，并组成神经模块作为下游 MRC 模型的训练实例的注释，使用可学习的神经模块和软逻辑来处理语言变化并克服模型覆盖率不足。在 SQuAD 数据集上，使用 26 个解释进行监督训练，该方法实现了 70.14% 的 F1 得分，与使用 1100 个标记实例的普通监督学习相比，速度提高了 12 倍。

    May, 2020