基于问题类型的问句生成

EMNLPAug, 2019

Question-type Driven Question Generation

Wenjie Zhou, Minghua Zhang, Yunfang Wu

TL;DR本文介绍一种基于序列到序列模型（seq2seq model）的问题生成方法，该方法可以根据输入答案和上下文自动预测问题类型，然后将问题类型带入模型中，解决了问题类型与答案不匹配的问题，并在 SQuAD 数据集上取得了最优结果。

Abstract

question generation is a challenging task which aims to ask a question based on an answer and relevant context. The existing works suffer from the mismatching between question type and answer, i.e. generating a q

question generation seq2seq model mismatching question type prediction squad dataset

发现论文，激发创造

面向问题类型的复制损失增强框架 —— 面向答案不可知的神经问题生成

本研究旨在研究对于给定句子但不提供答案的自动生成问题的策略，其中包括预测问题类型和复制机制等。经过实验比较，本研究的综合模型表现更佳，达到 SQuAD BLEU-4 分数 13.9，并经过人工评估证明所生成问题的质量较高。

May, 2020

提升问题生成的上下文捕获能力

本文旨在通过运用多阶段关注机制和序列到序列模型，在长文档的背景下产生更真实的问题，结果表明在 SQuAD、MS MARCO 和 NewsQA 三个问答数据集上，该方法优于现有方法。

Oct, 2019

知识驱动对话中的问题生成：可解释性和评估

在知识驱动的对话背景下，我们探讨问题生成的可解释性和评估。通过在规划为基础的摘要生成工作的启发下，我们提出了一个模型，该模型先顺序预测一个事实，然后再预测一个问题，与仅生成问题的标准模型相比，虽然推理要求更高，但我们的方法在相关性、事实性和代词化方面的详细无参照模型行为评估方面表现相当。

Apr, 2024

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

生成高度相关的问题

通过部分复制和 QA-based reranker，我们提出了两种方法来提高神经序列到序列的问题生成模型的生成问题与给定段落和答案相关性的准确性。

Oct, 2019

基于场景的视觉问题的自动生成

本文提出了一种模型，能够从单个图像中生成具有不同类型的视觉问题。通过采样最可靠的问题类型来自动生成问，该方法在两个真实世界数据集上的实验结果表明，我们的模型在正确性和多样性方面都优于最强基线。

Dec, 2016

通过文本到文本神经问题生成的机器理解

本文提出了一种基于递归神经网络的模型，可以根据答案生成自然语言问题，并介绍了一种使用监督学习和强化学习相结合的方式对模型进行训练，然后通过策略梯度技术微调模型以最大化几个衡量问题质量的奖励，其中一个奖励是一个问题回答系统的表现，并通过最近的问答数据集 SQuAD 对模型进行了训练和评估。

May, 2017

基于机器学习方法的句子结构分析自动生成问题

本文介绍了我们使用传统语言学方法和多种机器学习技术生成英语非结构化文本问句的框架，并且加入了问题评估模块，最终证明我们的生成问题质量优于其他最好的系统，并且与人类创建的问题相当。

May, 2022

采用句子级语义匹配和答案位置推断来改善问题生成

本文提出了一个能够改进问题生成中的关键词生成和全局问题语义缺失问题的神经问题生成模型，并且利用了句子级别的语义匹配和答案位置推断功能，并运用了基于答案感知的门控融合机制来增强解码器的初始状态，结果表明我们的模型在 SQuAD 和 MARCO 数据集上领先于现有的最先进模型，同时还对现有模型进行了显著改进。

Dec, 2019