生成高度相关的问题
本文介绍了一种基于深度神经网络的答案分离序列到序列模型,该模型通过用特殊令牌替换原始段落中的目标答案来预测出应该使用哪个疑问词,并使用关键词网络模块来更好地捕捉目标答案中的关键信息,从而显著减少了包含答案的不恰当问题的数量,因此超越了之前最先进的神经问题生成模型。
Sep, 2018
本篇文章提出了基于强化学习 (Graph2Seq) 模型的问题生成方法,该模型利用双向门控图神经网络作为 encoder 嵌入文章,并混合应用交叉熵损失和 RL 损失来确保生成语法和语义合理的文本。此外,文章还介绍了一种有效的深度对齐网络,将答案信息融合到文章中。该模型的端到端训练在标准 SQuAD 基准测试中取得了明显的最优成绩,超过了现有方法。
Aug, 2019
本研究提出了一种基于 Clue Guided Copy Network 的自动问答生成模型,通过多任务学习和复制机制的应用,显著提高了问题生成的性能并超越了所有现有的神经网络问题生成模型。
Feb, 2019
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
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
该研究采用基于注意力机制的序列自学习模型进行阅读理解中基于句子的自动问题生成,相比于之前的工作,该模型不依赖于手工规则或复杂的自然语言处理技术,并在人工和自动评估中都呈现出更加自然和困难的问题。
Apr, 2017
本文提出一种基于无监督学习的问句生成方法,使用自由可得的新闻标题数据通过句法分析、命名实体识别和语义角色标注启发式技术转换成合适的问题,然后与原始新闻文章一起训练一个端到端的神经问句生成模型;通过在多项数据集上的实验证明,该方法生成的人工智能数据集用于训练问答模型,其性能远超过基于无监督学习的问答模型的现有成果。
Sep, 2021
本论文针对问题回答和问题生成两个任务之间内在联系,提出一个联合训练框架,使用序列到序列模型和循环神经网络模型,通过概率相关性指导训练过程来提高两个任务的性能,实验证明该框架能够显著提高问题回答和问题生成两个任务的表现。
Jun, 2017
本研究提出了一种基于语义加强的奖励机制和基于 QA 的评估方法,用于解决问题生成中的语义漂移问题,并解决传统评价指标不足的问题,同时提出了两种合成 QA 对的方法,有效的用于半监督 QA 学习中。
Sep, 2019