EMNLPFeb, 2020

无监督式问答问题分解

PDF
TL;DR该论文提出了一种基于 ONUS 算法的无监督学习方法，通过将复杂问题分解为多个子问题，并利用互联网上的数据，来改善问答系统的性能。该方法得到了在多个测试集上的验证，并在流畅度上超越了监督和启发式分解方法。
question answeringdecompositionsub-questionsonus algorithmunsupervised learning
发现论文，激发创造
  • 利用分解探针校准多跳问答系统的信任度

    本论文探讨了利用多跳问题分解来探究神经问答模型的解释性，通过人类实验证明这种方法可以提高用户预测系统在某个问题实例上的性能，并且可以用来改进问答系统。

    Apr, 2022

  • 询问以理解：多跳问答问题生成

    本文提出了一种基于问题生成的新型多跳问答方法，通过精心设计端到端的 QG 模块，在上下文理解中提出内在逻辑子问题，从而继承了 QD 方法的可解释性并表现出较高的性能。实验证明，我们提出的 QG 模块是有效的，在流畅性、一致性和多样性方面优于 QD 方法，并获得了人工评估的定量可解释性。

    Mar, 2022

  • 探索零样本视觉问答的问题分解

    通过研究和应用视觉 - 语言模型，本文提出了问题分解策略和模型驱动的选择性分解方法，以提高视觉问答任务的准确性和性能。

    Oct, 2023

  • 无监督多跳问答通过问题生成

    本论文提出了 MQA-QG 框架，利用同质和异质数据源生成类人问答对数据，从而实现集成式自监督多跳 QA 模型训练，实验结果表明仅利用生成的数据即可训练出在 HybridQA 和 HotpotQA 数据集上分别达到监督学习性能 61% 和 83% 的多跳 QA 系统，同时利用生成数据进行预训练可以大大减少人工标注训练数据的需求。

    Oct, 2020

  • 无监督多项选择问题回答

    无监督问答，多选题问答，合成数据生成，命名实体，知识图谱。

    Feb, 2024

  • 基于分层图神经网络的组合式问答

    本研究提出了一个包含超过 120k 个人工标注问题的大规模组合式问答数据集，回答在此数据集上的问题需要组合文档中的若干段落来生成最终答案。本文针对该问题提出了一种基于图神经网络的层次预训练模型，并在预训练和机器阅读理解领域中取得了巨大的提升。

    Jan, 2021

  • 基於可解釋的 AMR 問題分解的多跳問答

    本文提出了一种基于抽象意义表征的问题分解方法，通过将多跳问题分解成简单的子问题并按顺序回答它们，实现了可解释的推理过程。实验结果表明，这种方法在可解释的推理方面具有竞争力，并且由 QDAMR 生成的子问题形式良好，优于现有的基于问题分解的多跳 QA 方法。

    Jun, 2022

  • 通过问题分解实现复杂阅读理解

    提出了一种通过可训练的问题分解器将多跳阅读理解问题分解为多个子问题，再利用序列到序列的阅读理解模型预测答案的学习方法，能够使语言模型更好地理解复杂的、组合性的多跳问题，并在 DROP 数据集的一难子集上比基线模型分别提高了 7.2 / 6.1 绝对 F1 点。

    Nov, 2022

  • 基于层次问题分解树的可解释性问答推理

    本文提出了一种新的两阶段可解释问答框架 RoHT，该框架借助问题分解进行异构知识的集成，从而有效地回答复杂问题，并在 KQA Pro 和 Musique 等数据集上显著优于现有技术，证明了问题分解对知识集成和 RoHT 框架的有效性。

    May, 2023

  • 无监督答案多样性的问答

    提出了一种新的无监督方法，名为 DiverseQA，用于构建数据，培训 QA 模型。该方法包括数据构建、数据增强和去噪滤波三个模块，具有更广泛的答案类型，可应用于多种基准数据集。

    Aug, 2022