Jan, 2019

双路协同匹配网络用于多项选择阅读理解

PDF
TL;DR本文提出了一种新的机器阅读理解方法 —— 双向联合匹配网络 (DCMN)，该方法在多项选择阅读理解数据集 (RACE) 上取得了 state-of-the-art 结果，并计算出了同时同时考虑文章、问题和答案的相互关系的表示方法。
multi-choice reading comprehensiondcmnmachine reading comprehensionbidirectional relationshipstate-of-the-art
发现论文，激发创造
  • 多项选择阅读理解的协同匹配模型

    本文提出一种新的共同匹配方法来解决多选阅读理解问题，该方法同时建模一个段落是否匹配一个问题和一个候选答案，在 RACE 数据集上的实验结果表明我们的方法达到了最先进的性能。

    Jun, 2018

  • 机器阅读理解中的双向问答网络

    该论文提出了一种新颖的双向神经序列转换模型，能够同时学习阅读理解中的三种知识输入方式，即问题、答案和上下文，并通过分层注意力过程对不同形态之间的交互信息进行捕捉和建模。该模型在四个公开数据集上的表现优于其他同类神经网络模型，尤其在问题回答和生成双方面具有更广泛的应用前景。

    Sep, 2018

  • DUMA: 使用转置思维的阅读理解

    本文提出一种新的多选机器阅读理解模型 (DUMA)，基于人类转位思维解决多选机器阅读理解问题，通过分别考虑语段和问题的焦点来实现匹配，提高了模型的性能，在 DREAM 和 RACE 两个基准多选 MRC 任务中显示其强大状态 - of-the-art 的性能。

    Jan, 2020

  • 跨段落答案验证的多段机器阅读理解

    提出了一种基于端到端神经模型的多文本阅读理解模式，通过多个模块的共同作用来检测文本间的答案验证，实现对真实网络数据的阅读理解，显著提高了 MS-MARCO 数据集和中文 DuReader 数据集的 MRC 模型性能。

    May, 2018

  • 面向机器阅读理解的动态融合网络

    本文提出了一种新型神经模型 - Dynamic Fusion Network （DFN），用于机器阅读理解，并使用动态多策略注意过程进行多个步骤的推理来生成答案，发现 DFNs 可以比其他流行的机器阅读理解模型更有效地生成从问题、段落和候选答案中总结信息的注意力向量，并取得了 RACE 数据集中的最佳结果。

    Nov, 2017

  • 选项比较网络用于多项选择阅读理解

    本文研究了多选阅读理解中，通过词级别对选项之间的关系进行比较获得更好的推理能力的方法，并在 RACE 数据集中的表现超过其他模型，成为第一个超过 Amazon Mechanical Turk 表现的模型。

    Mar, 2019

  • MMM：多选阅读理解的多阶段多任务学习

    本研究提出了一种名为 MMM 的基于多阶段多任务学习框架的多选阅读理解方法，其中采用了一种名为多步注意力网络 (MAN) 的新型分类器。实验证明该方法在四个代表性 MCQA 数据集上显著提高了最新技术水平。

    Oct, 2019

  • 机器阅读理解的模块化方法：任务感知专家混合

    该论文介绍了一个针对较小数据集的任务感知专家网络混合模型，重点研究常识学习问题，并通过训练不同的专家网络来捕获每个段落、问题和选项三元组之间不同类型的关系，同时灵感来自多任务和迁移学习的最新进展。通过将多个网络融合，强制实现它们的特定目标和关系，作者达到了最先进的结果并减少了过拟合。

    Oct, 2022

  • 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

  • 动态协同网络用于问答

    我们提出了动态协同注意网络（DCN）来解决深度学习模型在问题回答中可能会遇到局部极大值的问题，并在 Stanford 问题回答数据集上将准确率从 71.0% F1 提高到 75.9％ F1，使用 DCN 合奏能够获得 80.4％ F1。

    Nov, 2016