May, 2019

采用平滑深度度量学习的大规模问题改写检索

PDF
TL;DR本文旨在提出一种基于神经网络句子编码器和近似 k 最近邻索引的新型 QPR 系统来理解和回答广泛应用于社区问答和开放领域口语问答系统中的稀有和嘈杂的问题再述形式，并通过远程监督从问答日志自动产生一份问题近义复述检索试验的注释数据集；在两个 QPR 数据集上的实验结果表明，相较于三元损失在嘈杂标签环境下表现不佳，我们提出的平滑深度度量损失（SDML）明显优于三元损失。
question paraphrase retrievalneural information retrievaldeep metric losstriplet lossnoisy label
发现论文，激发创造
  • 学习改写以进行问答

    利用释义学习问题表达的多样性来提高询问回答系统在 Freebase 和句子选择上的准确性。通过训练端到端来直接学习最有可能产生正确答案的语言表达，得到了有竞争力的结果。

    Aug, 2017

  • ReQA: 面向端到端答案检索模型的评价

    本篇论文介绍了一个用于评估大规模句子级别答案检索模型的基准 Retrieval Question-Answering（ReQA），并使用神经编码模型和传统信息检索技术建立了基线。我们提供我们的评估代码以鼓励更多关于这一具有挑战性的任务的研究。

    Jul, 2019

  • 一个基于问题蕴涵的问答方法

    本文提出了一种新的基于问题蕴含识别（Recognizing Question Entailment）的问答（Question Answering）方法，基于机器学习和深度学习算法，结合信息检索模型，在医疗领域实现了显著的问答准确率提升。

    Jan, 2019

  • 深度加强型查询重构用于信息检索

    通过使用深度强化学习模型，本研究提出了一个自动生成措辞的查询改写模型。在模型中结合了查询性能预测方法以产生高效的查询。并且针对信息检索的情境下，运用了信息检索排名模型训练，并在 TREC 2020 Deep Learning track MSMARCO 文献排名数据集上进行实验。结果表明，与各种基线模型相比，本研究的模型性能得到了较大提高。

    Jul, 2020

  • 使用大型语言模型生成的相关判定预测查询性能

    使用自动生成的相关判断将查询性能预测 (QPP) 分解为独立的子任务，通过判断排名列表中每个项目与给定查询的相关性来预测信息检索评估度量，并利用领先的开源大型语言模型 LLaMA 来提高 QPP 质量。

    Apr, 2024

  • 开放域问答的两步问题检索

    本文提出了一个两步骤的问题检索模型 SQuID，使用两种编码器进行问题检索，第一步检索器选择前 k 个类似的问题，第二步检索器从前 k 个问题中找到最相似的问题，实验证明 SQuID 显著提高了现有问题检索模型的性能，对推理速度的减少可以忽略不计。

    May, 2022

  • 通过证据模式检索增强知识图谱上的复杂问题回答

    信息检索中的知识图谱问答方法包括两个阶段：子图提取和答案推理。我们认为当前的子图提取方法低估了证据事实之间的结构依赖的重要性。我们提出了证据模式检索（EPR）来在子图提取过程中明确地建模结构依赖关系。通过对资源对的原子相邻模式进行索引，我们实现了 EPR。给定一个问题，我们进行密集检索，以获取由资源对形成的原子模式。然后，我们枚举它们的组合来构造候选证据模式。使用神经模型对这些证据模式进行评分，并选择最佳模式来提取下游答案推理所需的子图。实验结果表明，基于 EPR 的方法显著提高了在 ComplexWebQuestions 上 IR-KGQA 方法的 F1 得分，且在 WebQuestionsSP 上取得了竞争性的性能。

    Feb, 2024

  • MrRank：通过多结果排名模型提升问答检索系统

    使用学习排序技术结合不同的信息检索系统，解决大型语言模型中幻觉和过时信息的问题，提高检索问题回答任务的性能，并在 SQuAD 数据集上取得了最先进的结果。

    Jun, 2024

  • 用于问答系统中语义检索的多任务句子编码模型

    本文提出了一个多任务句子编码模型 (MSEM) 用于 Paraphrase Identification（PI）问题。我们使用连接图表示句子之间的关系，并应用多任务学习模型来解决句子匹配和意图分类问题。此外，我们实现了一个通用的语义检索框架，结合了我们提出的模型和近似最近邻（ANN）技术，可以在在线服务中快速地找到最相似的问题。实验结果表明，我们提出的方法与现有的句子匹配模型相比具有优越性。

    Nov, 2019

  • 应用迁移学习提升特定领域搜索体验：使用查询和问题的相似度

    本研究提出一种针对任何特定领域搜索引擎的框架来计算给定输入查询和一组预定义问题之间的相似度，使用 Siamese 网络和 LSTM 模型训练分类器来生成未归一化和归一化的相似度分数，并结合两种词向量和自定义模糊匹配分数等三种其他相似度得分计算的元分类器，在 Quora 问题对（QQP）数据集以及特定于金融领域的数据集上进行性能测试。

    Jan, 2021