EMNLPSep, 2019

神经对话问答：学习推理与利用模式

PDF
TL;DR本研究旨在探讨神经会话 QA 任务中，ShARCQA 任务的最新研究进展，发现当前模型学习了数据集中的虚假线索和模式，创建了一个基于启发式的程序以利用这些模式，可以达到与神经模型相当的性能，通过创建并分享一个经过修改的数据集，减少虚假模式的数量，从而提高模型学习的效果。
neural conversational qasharcqa taskspurious patternsdatasetmodified dataset
发现论文，激发创造
  • 基于神经网络的问答系统中问题理解与适应的探讨

    本文通过在神经网络框架中密切模拟问题，引入句法信息来帮助编码问题，并将不同类型的问题和共享信息建模为适应性任务，并提出适应性模型，从而在 Stanford 问题回答数据集（SQuAD）上证明这些方法可帮助获得比竞争基准更好的结果。

    Mar, 2017

  • 基于 SQuAD 的神经问答模型比较分析

    本文通过定量和定性分析现有端到端神经模型在斯坦福问答数据集上的结果，旨在理解和比较其特性，以迈向实现在多个领域中的泛化能力。研究发现，预测错误反映了某些模型特定偏差，本文对此进行了进一步讨论。

    Jun, 2018

  • 面向推理的阅读理解：ParallelQA

    探讨了端到端神经机器阅读理解模型倾向于匹配浅层模式而非推理，同时提出了利用平行语段来进行参照推理问题的 ParallelQA 策略，并证明了现有神经模型在此设置中无法很好地泛化。

    May, 2018

  • 尽可能简单地构建神经问答

    本文提出了一个简单的构建神经 QA 基线系统的启发式方法，并发现了两种必要的构建高性能神经 QA 系统的因素：第一，处理上下文时需要注意问题单词；第二，需要超越简单的词袋建模，例如循环神经网络。我们的结果表明，满足这两个要求的 FastQA 系统可以与现有模型实现非常有竞争力的性能。我们认为这一令人惊讶的发现将之前系统的结果和最近 QA 数据集的复杂性放在了一个更加客观的角度。

    Mar, 2017

  • KG^2: 使用上下文知识图嵌入学习科学考题推理

    本文提出了一种新的答题框架，其使用两个上下文知识图谱中的神经嵌入来解决自然科学考试问题，该模型在 AI2 Reasoning Challenge 上表现出优异的性能。

    May, 2018

  • 对话中问题检索和下一问题预测的神经匹配模型

    本论文介绍了利用深度神经网络训练的神经匹配模型来解决提问检索和会话中的下一个问题预测的任务，并进行了实验和评估，证明神经匹配模型在这两个任务中表现良好。

    Jul, 2017

  • 基于神经网络的子程序基础问题问答系统

    研究了基于上下文的 QA 系统的软件工程应用，使用尺寸为 10.9M 的数据集和自定义的神经 QA 模型来回答关于子例程基础问题，可用于软件工程的对话系统。

    Jan, 2021

  • 利用背景知识进行查询重写回答科学考试问题

    本文针对 ARCChallenge 数据集的超越式难题提出了一种系统，该系统利用查询重写、背景知识和文本属于性，成功地提高了端到端 QA 任务的性能，并超越了几个强基线。

    Sep, 2018

  • 复杂的连续问答：学习在知识图谱上对话问答对

    本文提出了一个任务，即 Complex Sequential QA，它结合了回答简单事实性问题和通过一系列有逻辑的问答匹配进行会话来进行复杂推理，本文也介绍了关于这个任务所需数据集，以及目前现有的模型在处理实际场景中还存在的不足。

    Jan, 2018

  • BookQA: 挑战与机遇的故事

    本论文介绍了一个基于纯文本书籍进行问答的系统（BookQA），使用记忆网络对问题进行推理，并对前人的工作进行了改进，包括 BERT 检索和基于书句生成的预训练。在最新的 NarrativeQA 语料库的测试中，我们证明了这种方法的可行性和需要进行更多的研究，如文本表示，相关段落的检索和推理。

    Oct, 2019