Sep, 2019

多步骤基于实体的信息检索用于多跳问答

PDF
TL;DR本文介绍了一种信息检索技术，利用最初检索到的证据中存在的实体信息来学习到其他相关证据，并在超过 500 万个维基百科段落的语境下，取得了显着的检索性能提升。此外，检索到的证据还使得现有的 QA 模型（无需任何训练）在 Hotpot 基准测试中 F1 指标提升了 10.59 个点。
multi-hop question answeringinformation retrievalir techniquewikipedia paragraphsqa model
发现论文，激发创造
  • 面向开放域问答的多跳段落检索

    本文提出了一种方法，用于在大量知识库之中检索多个支持段落，以回答所提出的问题。该方法使用联合向量表示形式，并考虑知识源中段落的上下文句子表示形式。该技术在 SQuAD-Open 和 HotpotQA 的数据集上实现了开放域问答的最新成果。

    Jun, 2019

  • 使用多跳密集检索回答复杂开放域问题

    我们提出了一种简单而高效的多跳密集检索方法来回答复杂的开放域问题，该方法在两个多跳数据集 HotpotQA 和多证据 FEVER 上实现了最先进的性能。与以前的工作相反，我们的方法不需要访问任何特定于语料库的信息（如文档间超链接或人工注释实体标记），可以应用于任何非结构化文本语料库。与已发布的 HotpotQA 的最佳准确度相匹配，同时在推理时间上快 10 倍，我们的系统也可以产生更好的效率 - 准确性权衡。

    Sep, 2020

  • HopRetriever：从维基百科检索跳跃链接来回答复杂问题

    本文提出了一种新的检索目标 hop，通过跨链接和对应出站链接文档的组合来收集维基百科中隐藏的推理证据来回答复杂问题，构建了 HopRetriever 模型，并在 HotpotQA 数据集上实验，表明 HopRetriever 模型的证据检索效果更优秀，而且该方法可以给出对证据收集过程的可量化解释。

    Dec, 2020

  • 使用迭代文档重新排序回答任意跳开放领域问题

    本文提出了一种统一的 QA 框架，以回答任何跨域问题，包括多步骤文档检索，图形重新排序模型及多文档交互等技术，从而提高检索精度及性能。

    Sep, 2020

  • 寻址再问：透明的逐步推理用于多跳问答

    本文提出了一个解释性逐步推理框架，将单跳支持句子识别和单跳问题生成结合起来，并利用当前跳的推理来推导出最终结果。我们使用一个统一的读者模型进行中间跳推理和最终跳推理，并采用联合优化来实现更精确和稳健的多跳推理，取得了良好的实验效果。

    Aug, 2022

  • UniKGQA：基于知识图谱的多跳问答统一检索与推理

    UniKGQA 是一种新的多跳知识图谱问答方法，通过统一检索和推理模型架构和参数学习，基于预训练语言模型的语义匹配模块和匹配信息传播模块进行问题与关系的语义匹配，采用共同的预训练任务和检索以及推理定向的微调策略。

    Dec, 2022

  • 光束检索：多跳问题回答的通用端到端检索

    通过多跳问答技术以及基于 Beam Retrieval 的检索框架，本研究提出一种改进性能的问题回答方法，通过扩展搜索空间和优化模型，在多个问答任务上取得了近 50% 的性能提升，并且在 HotpotQA 和 2WikiMultiHopQA 上超过了之前的检索模型，进一步提升了有监督模型和无监督模型的回答性能。

    Aug, 2023

  • 多跳问答与生成综述

    本文提出了一个多跳问题回答（Multi-Hop QA）的具体与形式化定义，并对现有的 Multi-Hop QA 框架进行了组织和总结，同时介绍了创建多跳问题回答数据集的最佳方法，以系统全面地介绍这个有趣而具有挑战性的任务。

    Apr, 2022

  • 学习在维基百科图上检索推理路径用于问答

    介绍了一种基于图形的循环检索方法，学习在 Wikipedia 图形上检索推理路径来回答多跳开放域问答问题。该方法在三个开放域 QA 数据集上实现了最新技术成果，特别是在 HotpotQA 中表现出显著的改进，超过了以前最好的模型 14 个百分点以上。

    Nov, 2019

  • 利用结构化信息进行可解释的多跳问题回答和推理

    构建和利用语义结构的多跳问题回答框架，通过神经模型和连续思维机制提高推理能力，并结合信息抽取和提取的语义结构实现更准确和可解释的问题回答。

    Nov, 2023