IJCAIApr, 2019

ElimiNet：一种用于阅读理解多项选择题中选项消除的模型

PDF
TL;DR本文提出 ElmiNet 这一基于神经网络的模型来进行阅读理解与多项选择题，融入了排除和选择的过程，使用 RACE 数据集进行实验并与现有模型进行比较。结果表明其在该数据集中有效性高于目前最先进的模型，并可以与基于选项选择的模型进行组合以获得更好的性能。
reading comprehensionmultiple choice questionseliminetneural network-based modelrace dataset
发现论文，激发创造
  • 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

  • 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

  • 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

  • 神经级联多提及学习用于阅读理解

    本文提出了一种以级联模型组合轻量级的前馈网络为基础构建的答案提取算法，可以从文本中获取多次对同一问题的提及与信息聚合，并在 TrivaQA 数据集上表现优异。

    Nov, 2017

  • 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

  • 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

  • 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

  • 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

  • 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

  • 阅读理解中候选项提取和答案选择的联合训练

    本文提出了一种抽取后选择的两阶段阅读理解方法，将候选答案的信息融合后再选择答案，通过强化学习联合训练得到提高，最终提高了两个高难度的开放域阅读理解数据集的性能。

    May, 2018