ACLNov, 2019

基于贝叶斯优化的交互式文本排名：以社区问答和摘要为例的案例研究

PDF
TL;DR本研究提出了一种交互式文本排序方法，使用贝叶斯优化来聚焦在高质量的候选项上，以更好地适应于小数据场景，应用于社区问答和提取式摘要中，较之现有交互式方法具有明显优势，同时发现所学习的排序函数可以作为强化学习中有效的奖励函数。
interactive text rankingbayesian optimizationcommunity question answeringextractive summarizationreinforcement learning
发现论文，激发创造
  • 社区问答中答案选择和答案摘要生成的联合学习

    该研究利用新颖的联合学习模型解决 CQA 中答案冗余和长度问题，设计了一个以问题为导向的指针生成网络，同时利用答案给长回答降噪，构建了一个包含长回答和参考摘要的大规模 CQA 语料库 WikiHowQA，实验证明该方法可以有效地解决 CQA 中的冗余问题，并取得了在答案选择和文本摘要任务上的最新成果。

    Nov, 2019

  • 充分利用之前的数据：交互式文本摘要的偏好反馈解决方案

    本研究提出了一个新的交互式框架，可通过优化离线数据和一种新型奖励模型，以少量交互式反馈的方式训练摘要模型，提高 ROUGE 得分和采样效率。这个框架在摘要的活动、少量交互式学习和在线学习的场景下均具有优势。

    Apr, 2022

  • 一种基于语义问答的文本摘要评估方法

    本文提出了一种基于问题解答的方法，通过将文本视为小型知识库进行大量提问，以精确地比较两个文本之间的内容差异，从而解决 NLP 系统评估中的一个重要问题。实验结果表明，该方法在分析大型文本语料库方面具有较高的准确性和可靠性。

    Apr, 2017

  • 社区问答对总结

    该研究提出了一种新的社区问答（CQA）总结任务，旨在从 CQA 对中创建简洁的摘要，并通过一系列数据注释和方法比较建立了一个强大的基线方法 DedupLED，进一步确认了 CQA 总结任务中的两个关键挑战，即句子类型转换和去重移除。

    Nov, 2022

  • 贝叶斯查询聚焦摘要

    BayeSum 是一种基于贝叶斯模型的用于句子提取的模型，可以利用多个相关文档来增强查询词信息，处理短查询不足问题，并得到了最先进的结果，在信息检索框架中可以被理解为一种验证的查询扩展技术。

    Jul, 2009

  • RankQA：具有答案重新排序的神经问答模型

    RankQA 是一种新的神经问答模型，利用三阶段过程（检索、理解和重新排序）来自动回答问题，为后续基于内容的问答研究提供了有力的基线模型。

    Jun, 2019

  • 基于问答奖励的摘要生成引导

    本文提出了一种利用问答奖励来引导监督式摘要系统的新框架，通过人类摘要获得问答对来评估总结与原文件的关系，并且该系统学习如何推广信息量大、流畅度高且在问答方面表现良好的总结，结果表明其表现优于基线总结和人类评估。

    Apr, 2019

  • 查询式多文档摘要技术中分类优于回归：麦格理大学在 BioASQ7b 中的应用

    Macquarie 大学为 2019BioASQ 挑战赛的任务 B 阶段 B，提出了一个面向生物医学问题回答的查询文本多文档摘要技术，探索了基于深度学习架构和简单的策略梯度架构的回归方法，还实验了使用和不使用强化学习的分类方法，此外，还通过各种 ROUGE 度量与 BioASQ 人类评估得分之间的相关性分析。

    Sep, 2019

  • 基于偏好的交互式多文档摘要

    本研究提出了一种基于互动学习的文本摘要框架 APRIL，通过主动学习、偏好学习和神经强化学习，有效减少了与用户的交互次数，提高了系统的摘要效果。

    Jun, 2019

  • 基于远程监督的 Transformer 模型在电商产品问答中的应用

    提出了一种基于 Transformer 模型的实时电子商务产品页面问答系统，在 CQA 对中检索到与用户查询相关的问题答案对，该模型学习统一的句法和语义表示，同时利用 CQA 对进行远程监督，通过在离线和在线实验中的大规模评估，证明了该框架在电子商务 QA 流量方面具有很好的性能。

    Apr, 2021