ACLJun, 2019

生成问答层次结构

PDF
TL;DR本文介绍了一种新颖的文本生成任务 ——SQUASH（Specificity-controlled Question-Answer Hierarchies），其将输入文档转换为一组问题 - 答案对的层级结构，以实现读者自主了解与探索具体信息，并使用一种基于条件神经语言模型的管道系统来评估所生成 QA 层次结构的质量。
knowledge acquisitionsquashquestion-answer pairsreading comprehensionneural language model
发现论文，激发创造
  • 询问以理解：多跳问答问题生成

    本文提出了一种基于问题生成的新型多跳问答方法，通过精心设计端到端的 QG 模块，在上下文理解中提出内在逻辑子问题，从而继承了 QD 方法的可解释性并表现出较高的性能。实验证明，我们提出的 QG 模块是有效的，在流畅性、一致性和多样性方面优于 QD 方法，并获得了人工评估的定量可解释性。

    Mar, 2022

  • 构建视频故事理解的分层问答数据集

    本文提出了一种分层方法来构建 Q&A 数据集，介绍了视频故事理解的三个标准：记忆容量、逻辑复杂度和 DIKW 金字塔，并讨论了如何从这些标准构建三维图来评估与视频故事理解相关的智能水平。

    Apr, 2019

  • AI 向人类提问：儿童故事书问答生成

    我们设计了一种教育应用的问答生成自动化系统，可以为幼儿园到八年级的阅读材料生成测试学生理解能力的问题与答案对，并在自动评估和人工评估中证明其优于当前先进的问答生成基线系统。同时，我们还在此基础上开始构建一个交互式的故事讲述应用程序，用于未来在教育领域的实际部署。

    Sep, 2021

  • 从儿童故事书中生成多样和有效的问答对

    本文提出一个 QAG 框架，通过生成不同的疑问句和隐式 / 显式答案，增强 QA 类型的多样性，该框架包括 QFS 基于答案生成器、迭代 QA 生成器和相关性感知排序器。

    Jun, 2023

  • HAS-QA: 用于开放领域问答的层次化答案跨度模型

    本文提出了一种新的概率形式化 OpenQA 方法，基于三层分层结构，即问题级别、段落级别和答案段水平，以及设计了适应于此的分层答案段模型（HAS-QA），能够解决传统 RC、OpenOA 和多个答案范围的起始 / 结束位置相关的问题，实验表明，其性能显著优于现有的 OpenQA 基线方法。

    Jan, 2019

  • 基于文本的神经问答生成：初步研究

    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

  • 基于层次化查询图生成的知识图谱复杂问题回答：概述和填写

    本文提出了一种基于 AQG（一种统一的图形文法）的端到端模型，由高级解码生成用于约束搜索空间的 AQG 和底级解码构造查询图，旨在优化查询图构建过程，提高在复杂 KGQA 基准测试中的表现。

    Nov, 2021

  • 问答和问题生成的联合模型

    本文提出一种生成式机器理解模型，用于同时学习根据文档提问和回答问题，采用序列到序列框架编码文档并生成问题，模型在 SQuAD 语料库上获得显著性能提升，实验证明，模型在同时学习两个任务方面受益。我们认为这种联合模型的新颖性提供了一个超越架构工程的机器理解视角，是实现自主信息寻找的第一步。

    Jun, 2017

  • 面向程序化问答的图引导问题回答生成

    我们提出了一种使用自动生成的训练数据生成高性能任务特定问答模型的方法，该方法可以在手机等终端上运行且竞争力强，通过从过程性文本中自动生成详尽的领域内问答对进行训练，结构化的过程性文本是关键的技术支持。

    Jan, 2024

  • 基于层次结构的图注意力多跳问答

    本研究针对 HotpotQA 基准数据集，提出了两种扩展方式来改进基于 GNN 的 HGN 模型，包括在节点之间引入新的边缘，以及在图传播步骤中，扩展了一种名为 GATH 的嵌套图注意力机制，并且实验证明了这些改变能够有效提升模型的效率和能力。

    Jan, 2023