Mar, 2019

选项比较网络用于多项选择阅读理解

PDF
TL;DR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。
multiple-choice reading comprehensionmcrc modelsoption comparison networkattention mechanismrace dataset
发现论文，激发创造
  • 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

  • 双路协同匹配网络用于多项选择阅读理解

    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。

    Jan, 2019

  • 迁移学习增强的单选决策用于多选题答题

    该研究论文以多选机器阅读理解为主题，使用预训练语言模型作为编码器，并通过微调来分享和传递知识。通过训练二元分类，将多选问题转换为单选问题，并选择置信度最高的选项作为最终答案。通过从其他 MRC 任务转移知识，提出的方法摆脱了多选框架，并可以利用其他任务的资源。在 RACE 和 DREAM 数据集上评估基于 ALBERT-xxlarge 模型构建的模型，实验结果表明该模型在多选方法上表现更好，并且通过从其他类型 MRC 任务转移知识，该模型在单个和集合设置中都取得了最先进的结果。

    Apr, 2024

  • 多项选择阅读理解的多层次证据推理

    提出了一个新颖的通用模型增强方法，称为多粒度证据推断器（Mugen），该方法能够综合地提取粗粒度、中粒度和细粒度的证据，并将证据与原始文章整合，从而在四个多选 MRC 基准测试中实现了显著且一致的性能改进。

    Oct, 2023

  • 多选阅读理解的多头注意力多任务学习

    本文利用多任务学习在两种多项选择阅读理解任务（RACE 和 DREAM）上实现了新的 DREAM 任务的最新性能，其中运用了基于 Transformer 的模型，通过在上下文和问题 - 答案之间添加额外的多头注意力层来 fine-tune 模型。

    Feb, 2020

  • 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

  • 多跳机器阅读理解方法全面调查

    本文综述了近年来一系列关于基于 31 项研究的多段式机器阅读理解方法的探索和研究成果，着重介绍了问题定义、模型技术，以及模型和技术之间的优缺点比较。

    Dec, 2022

  • 越南多项选择阅读理解的深度神经网络模型实验研究

    本文介绍了利用多个神经网络模型对低资源语言（越南语）中的多项选择机器阅读理解的影响进行的实验，其中使用了六种不同的越南语单词嵌入和 BERT 模型，在 ViMMRC 语料库上的测试集中，BERT 模型的准确率为 61.28％。

    Aug, 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

  • BERT 从多项选择阅读理解数据中学到了什么？

    通过对多选阅读理解数据集进行实验，本文发现：1）BERT 模型主要是依靠关键字来进行答案预测，而不是通过语义理解和推理；2）BERT 模型不需要正确的句法信息来解决任务；3）这些数据集中存在着一些人工痕迹，即使没有完整上下文也可以解决任务。

    Oct, 2019