EMNLPSep, 2019

通过学习说服问答模型来寻找可推广的证据

PDF
TL;DR使用基于句子的问题回答 (QA) 作为实验场景，我们提出了一种系统，该系统能够找到最强有力的支持证据以证明问题的答案，我们训练证据代理程序，以选择能够最具有说服力地证明给定答案的句子，这些证据不包括完整段落，我们发现，证据代理程序选择一般化的证据，这种方法提高了 QA 在健壮性方面的表现，证据代理程序选择的证据使人类能够在只利用大约 20％的完整段落的情况下回答问题，并且 QA 模型能够适用于更长的段落和更难的问题。
发现论文，激发创造
  • 开放域问答中的答案重新排序的证据聚合

    本文提出了两种新的模型，在公开领域问答数据集中取得了最具竞争力的结果。这两种方法是使用多篇文章生成答案。

    Nov, 2017

  • 教授语言模型通过验证的引文支持答案

    通过强化学习从人类偏好中得出支持性证据，训练生成回答并支持其声称的 “开放式书目” QA 模型。该模型能够从搜索引擎中找到的多个文档或单个用户提供的文档中提取支持证据。通过在 NaturalQuestions 和 ELI5 数据集的子集中进行的人类评估，该模型的响应在这两个子集中 80％和 67％的时间内达到高质量水平，但并非所有声称都被支持的证据是正确的。

    Mar, 2022

  • 通用上下文表示预训练注入问答技术

    本研究提出一种基于问答预训练目标的预处理方法，利用编码器 - 解码器的结构来在上下文中编码问题答案，成功应用于零样本学习等多个自然语言处理任务，相比现有最佳方法提升明显。

    Jun, 2021

  • 问答生成模型

    本研究通过使用编码 - 解码模型，结合复制机制和覆盖向量维护，实现了生成式问答，并在 MS-MARCO 数据集上验证了该方法的出色表现。

    Nov, 2017

  • 通过伪证据训练来增强多跳问答的鲁棒性

    本文研究了多跳问答模型中的偏差问题，提出了一种不需要额外昂贵的注释即可学习证据性的新方法，在 HotpotQA 验证了该方法准确，鲁棒性强。

    Jul, 2021

  • 利用生成模型结合段落检索进行开放域问答

    研究使用生成模型在开放领域问答中的表现，发现利用文本段落检索可以显著提高性能，证明生成模型擅长聚合和组合多个段落的证据，同时在 Natural Questions 和 TriviaQA 开放式基准测试中取得最好的结果。

    Jul, 2020

  • 基于监督对比学习的长文本问答

    本文提出一种新的方法，通过在 fine-tuning 过程中为模型提供对比监督信号，通过最大化问题 - 证据的相似性，明确区分支持证据句子和负面证据句子，从而为长上下文问答模型提供更好的支持证据识别，取得了一致的性能提升。

    Dec, 2021

  • 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

  • 利用检索句子生成模板的方式提高无监督问答

    我们提出了一种无监督训练 QA 模型的方法，该方法使用生成的伪数据训练，为 QA 训练生成问题，通过对相关检索到的句子应用简单模板，而非原始上下文句子来实现，从而使模型能够学习更复杂的上下文问题关系。 使用这些数据训练 QA 模型可在 SQuAD 数据集上获得 14％的 F1 分数相对提高，并且在答案为命名实体时提高 20％，从而实现无监督 QA 的最新性能。

    Apr, 2020

  • 答案生成与摘要：基于证据抽取的多阶段问答多任务学习

    该研究提出了一种基于 Query Focused Extractor (QFE) 模型的可解释的多跳问答系统，使用多任务学习并结合了问答模型进行证据点提取，实验结果表明该模型在 HotpotQA 和 FEVER 任务中达到了最佳证据提取效果。

    May, 2019