神经问答生成的最新进展
该研究论文详细调查了神经问句生成(NQG)领域的进展,研究神经网络技术如何从知识库、文本和图像等多样的输入中生成相关问题,并分为结构化 NQG、非结构化 NQG 和混合 NQG 三个主要分类,分析了各类别的神经网络模型的优势和潜在限制,并展望了 NQG 的未来发展趋势和研究重点。
Feb, 2024
本文重点探索了如何以教育为目的改进自动化问题生成技术,通过了解教师如何构建问题并确认增强 NLP 模型的触点来提高其可用性。作者观察到教师在使用 NLP 系统来支持问题设计方面表现出极大的兴趣,但实践中仍未被广泛采用。因此,作者呼吁建立强调教师控制和可解释性的有效人 - NLP 协作的 QG 系统,提供过程支持,使用模块化设计,处理各种输入来源。
Apr, 2022
本文介绍了一种基于深度神经网络的答案分离序列到序列模型,该模型通过用特殊令牌替换原始段落中的目标答案来预测出应该使用哪个疑问词,并使用关键词网络模块来更好地捕捉目标答案中的关键信息,从而显著减少了包含答案的不恰当问题的数量,因此超越了之前最先进的神经问题生成模型。
Sep, 2018
该研究采用基于注意力机制的序列自学习模型进行阅读理解中基于句子的自动问题生成,相比于之前的工作,该模型不依赖于手工规则或复杂的自然语言处理技术,并在人工和自动评估中都呈现出更加自然和困难的问题。
Apr, 2017
本文提出了一个名为 MixQG 的神经问题生成器,通过结合 9 个问题回答数据集来训练单一的生成模型,该模型在不同的认知水平中可以产生具有不同类型答案的问题,经实验证明在已知和未知领域中均表现出优越性。
Oct, 2021
本文研究了一种基于模式匹配的自动问句生成系统 GEN,它可以从用户进行的(隐式)反馈中进行学习,并且根据反馈对所生成的问句进行打分和排名,取得了相当大的改进。
Apr, 2023
本文提出了一个名为 Neural Generative Question Answering(GENQA)的端到端神经网络模型,可以根据知识库中的事实生成简单问答问题的答案。通过对问题答案对的语料库进行训练,该模型可有效处理问题和答案的变化,并通过参考知识库中的事实生成正确自然的答案,且在问题回答方面的实验证明该模型优于基于嵌入式的 QA 模型和在相同数据上训练的神经对话模型。
Dec, 2015
本研究提出了一种基于神经编码器 - 解码器模型的自动问题生成方法,可以根据给定的段落生成多样化、有意义的问题并利用 SQuAD 数据集进行了初步实验研究,实验结果显示该方法可以产生流畅且多样化的问题。
Apr, 2017