EMNLPSep, 2019

一种简单有效的多跨度问题回答模型

PDF
TL;DR本文提出了一种新方法，通过将阅读理解中的多串问题视为序列标注问题，使得模型不再局限于输出单一连续结果，而是可以输出多个分散的结果，实验结果在 DROP 和 Quoref 数据集上分别提升了 9.9 和 5.5 个 EM 点。
reading comprehensionmulti-span questionssequence taggingperformance improvementmachine learning
发现论文，激发创造
  • 学习循环跨度表示与摘要式问答

    本文针对 SQuAD 数据集所提出的答案抽取任务，通过循环网络有效地构建了证据文档中所有跨度的固定长度表示，证明对显式跨度表示进行评分显著优于其他方法，并在 Wang＆Jiang（2016）的最佳已发布结果上提高了 5％，并且将 Rajpurkar 等人的基线误差减小了 50％以上。

    Nov, 2016

  • 利用自动单一或多段答案提取的活动报告分析

    本文提出了一个基于 RoBERTa 的多跨度问题回答（MSEQA）模型，可以在针对某个问题和上下文的情况下返回适当的答案跨度。

    Sep, 2022

  • HAS-QA: 用于开放领域问答的层次化答案跨度模型

    本文提出了一种新的概率形式化 OpenQA 方法，基于三层分层结构，即问题级别、段落级别和答案段水平，以及设计了适应于此的分层答案段模型（HAS-QA），能够解决传统 RC、OpenOA 和多个答案范围的起始 / 结束位置相关的问题，实验表明，其性能显著优于现有的 OpenQA 基线方法。

    Jan, 2019

  • 通过跨度提取实现统一的问答、文本分类、和回归

    本论文的研究表明，使用统一的 span extraction 方法可以在多个任务中取得优越或可比的性能，而不必采用不同的输出层（如 span decoder 和 fixed-class classification layers 等）来适应不同的任务，这可应用在多种领域，如预训练语言编码、少数据学习和多任务学习等。

    Apr, 2019

  • 如何提升机器阅读理解模型：基于跨度对比学习的应用

    本文提出了一种基于对比学习的跨度方法（spanCL），该方法能够显式地将可回答的问题与其答案跨度级别上的可回答和不可回答的对应项进行对比，并迫使 MRC 模型察觉到多种形式的关键语义变化，实验结果表明 spanCL 在 SQuAD 2.0 数据集上比基线模型具有显著改善，使 EM 提高了 0.86-2.14 个百分点，并且 spanCL 是利用生成的问题的一种有效方法。

    Aug, 2022

  • 通过问题分解和重评分的多跳阅读理解

    该研究通过将复杂问题分解为多个单一问题并利用单一问题回答模型回答得出答案，提出了一种多跳阅读理解系统，并提出了一种新的全局重新打分方法，大大提升了系统准确度。

    Jun, 2019

  • 医学内容抽取式问答的序列标注

    本文研究了通用和生物医学知识库中问答问题类型的不同，并提出了一种基于序列标注方法的生物医学知识库问答模型，可以直接回答多个答案，而不需要后处理步骤。

    Apr, 2021

  • 预训练跨度选择的少样本问题回答

    在几个问答基准测试中，经过 Fine-Tuning 后，预训练模型已经达到了与人类相当的水平。然而我们研究了更为现实的少样本情况，发现标准的模型表现不佳，由此突出了当前预训练目标与问答之间的差异。为此我们提出了一种新的问答针对性预训练方案：Recurring Span Selection，该方案非常适合处理具有多个重复区域的段落，并在提供的数据量很少的情况下在 SQuAD 的基准测试中取得了令人惊讶的高成绩（例如仅使用 128 个训练示例时即可获得 72.7 F1 的成绩），同时保持了在高资源设置下具有相当的性能。

    Jan, 2021

  • 关系分类作为双向跨度预测

    通过将关系分类任务作为一个区间预测问题，我们提出了一个基于区间预测的关系分类系统，使用监督式的目标函数明显更优于标准的分类目标函数，并在 TACRED 和 SemEval 任务 8 的数据集上实现了最优结果。

    Oct, 2020

  • 检索与阅读：信息检索和阅读理解的多任务学习

    本研究提出一种简单而有效的方法，通过使用监督多任务学习，将 IR 和 RC 任务结合起来，以考虑答案跨度来训练 IR 组件，实现大规模机器阅读，从而取得了最先进的表现。

    Aug, 2018