COLINGApr, 2020

强化多任务方法用于多跳问题生成

PDF
TL;DR使用多任务学习和强化学习的方法，通过支持事实的多次跳转生成相关问题，相比于单次跳转模型，我们的模型在 HotPotQA 数据集上表现更好（同时在自动评估指标如 BLEU、METEOR 和 ROUGE 以及人工评估指标中都有着更高的质量和覆盖率）。
question generationmulti-hop reasoningmultitask learningreinforcement learninghotpotqa
发现论文，激发创造
  • 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

  • 使用图卷积网络进行多跳问题生成

    我们提出了一种多跳编码融合网络（MulQG）来解决多跳问题生成中的挑战，该方法使用图卷积网络进行多次上下文编码，并通过编码门实现编码融合，没有使用任何句级别信息，实验结果表明我们的模型在自动指标和人类评估中都有较好的表现。

    Oct, 2020

  • QA4QG：使用问答技术约束多跳问题生成

    本研究提出了一种 QA4QG 方法，通过加入多次问答（QA）模块来限制生成问题。实验结果显示，QA4QG 在 HotpotQA 数据集上优于所有先前报告的最佳结果。

    Feb, 2022

  • 生成式多跳问答任务的常识推理

    通过提出一种选择基于概念网络的常识信息和一种选择性门控的多头注意力机制，本文提出了一种生成式模型，用于解决阅读理解 QA 任务中的多跳关系抽取问题，并在 NarrativeQA 数据集上创造新的最先进结果。

    Sep, 2018

  • 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

  • 理解并改善生成式问答中的零样本多跳推理

    本文研究发现，生成式问答模型的多跳推理能力非常有限，但可以通过训练拼接单跳问题或逻辑形式的方式进行改进。

    Oct, 2022

  • 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

  • 基于问句的多跳推理摘要

    本研究提出了一种基于问题驱动的摘要式多跳选择生成器方法，将多跳推理吸收到问题驱动的摘要中，并为生成的摘要提供了理由。

    Oct, 2020

  • 通过动态多任务学习实现连续问题生成

    本文提出了 “连续问题生成” 任务，使用动态多任务框架生成逻辑相关的问题 - 答案对，全面考虑准确性、覆盖范围和信息量，并使用求精法（reranking）提高提问质量，提升 NLP 相关任务的效果。

    Nov, 2022

  • 可解释的多跳问题生成：一种无需中间问题标签的端到端方法

    我们引入了一个逐步重写的端到端问题重写模型，通过逐步重写来增加问题的复杂性。实验结果证明我们的模型在生成复杂问题方面的有效性，并且生成的多跳问题对于训练问题回答模型也是有益的。

    Mar, 2024