ACLJul, 2019

加强型动态推理在对话问句生成中的应用

PDF
TL;DR本文提出了一个新的任务 —— 对话式问题生成（CQG），研究了如何使用增强动态推理（ReDR）网络来生成针对给定文本和对话历史的问题，使用 QA 模型提供反馈，经过与各种基线和模型变量的比较得出新方法的有效性，并将其应用于 SQuAD 的多轮问答对话中。
conversational question generationreinforced dynamic reasoning networkquestion answeringcoqa datasetmulti-turn question-answering conversations
发现论文，激发创造
  • 通过动态多任务学习实现连续问题生成

    本文提出了 “连续问题生成” 任务，使用动态多任务框架生成逻辑相关的问题 - 答案对，全面考虑准确性、覆盖范围和信息量，并使用求精法（reranking）提高提问质量，提升 NLP 相关任务的效果。

    Nov, 2022

  • 会话式问答中的加强问句重述技术

    使用强化学习训练重写模型，以 QA 反馈作为监督信号，能够有效提高抽取式和检索式问答中的性能，并且人工评估表明该方法能够生成更准确和详细的重写，优于人工注释。

    Oct, 2022

  • CONQRR：基于强化学习的检索型对话查询重写

    CONQRR 使用强化学习训练了一个新的查询重写模型，使得原本用于非对话查询的信息检索引擎能够在对话的语境下得到有效的应用，并在最近的 CQA 数据集中实现了最新的成果，同时对于领域外的对话和零查询重写监督具有可靠性。

    Dec, 2021

  • 带有答案修正的对话式问答数据集生成

    本论文介绍了一种利用输入段落生成大规模对话问答数据集的新型框架，该框架从段落中提取值得询问的短语，根据先前的对话生成相应的问题，并在生成问题后修订所提取的答案，从而显著提高合成数据的质量。实验结果表明，我们的简单答案修订方法可以带来显著的改进，并且我们证明了我们的框架可以有效地用于对话问答的领域自适应。

    Sep, 2022

  • 针对无答案对话问题生成的提问内容和提问方式建模

    SG-CQG 是一个用于回答无答案设置下如何生成与要求自然的对话的方法，它通过语义图和具有明确控制信号的分类器来解决 what-to-ask 和 how-to-ask 的挑战。同时，提出了新的评估指标 Conv-Distinct，并在实验中取得了最先进的表现。

    May, 2023

  • 基于统一查询的生成模型，用于问题生成和问题回答

    我们提出了一种基于查询的生成模型，用于解决问题生成和问题回答两个任务， 在查询理解方面，该模型使用经典的编码器 - 解码器框架，通过与多个角度的文章进行匹配来执行查询理解。在进行培训时，我们利用政策梯度强化学习算法来克服暴露偏差，这是由于交叉熵损失的序列学习而引起的主要问题。

    Sep, 2017

  • 基于强化学习的图转序列模型用于自然语言问题生成

    本篇文章提出了基于强化学习 (Graph2Seq) 模型的问题生成方法，该模型利用双向门控图神经网络作为 encoder 嵌入文章，并混合应用交叉熵损失和 RL 损失来确保生成语法和语义合理的文本。此外，文章还介绍了一种有效的深度对齐网络，将答案信息融合到文章中。该模型的端到端训练在标准 SQuAD 基准测试中取得了明显的最优成绩，超过了现有方法。

    Aug, 2019

  • 学习通过学习不生成的内容来生成问题

    本研究提出了一种基于 Clue Guided Copy Network 的自动问答生成模型，通过多任务学习和复制机制的应用，显著提高了问题生成的性能并超越了所有现有的神经网络问题生成模型。

    Feb, 2019

  • 对话问答知识图谱中的改述式强化学习

    本研究提出了一种基于强化学习的模型 CONQUER，能从包含噪声的问题改写中学习如何回答自然语言问题，并在新提出的基准测试集 ConvRef 上展示了显著的性能提升。

    May, 2021

  • 生成深度问题的语义图

    该论文提出了一种深度问题生成的方法，通过构建语义级别的图表达文档全局结构，利用注意力机制和图神经网络解码，达到最先进水平，在 HotpotQA 中获得优异表现。

    Apr, 2020