本研究关注对话式问题生成作为一种产生训练和评估目的的合成对话的手段,并设计了 ChainCQG 作为一种跨多个对话回合学习问题 - 答案表征的系统,显著优于 SOTA 基线并能够生成各种类型的问题。
Feb, 2021
本研究提出了一种新的口头对话问答任务,能够使问答系统对给定的语音话语和文本语料库建模,其中使用了新的统一数据精炼方法 DDNet 直接融合音频文本特征以减少语音识别错误率,同时运用 Spoken-CoQA 数据集评估系统的对话式互动能力,并在实验中取得了优异的性能表现。
Oct, 2020
本文提出了一个任务,即 Complex Sequential QA,它结合了回答简单事实性问题和通过一系列有逻辑的问答匹配进行会话来进行复杂推理,本文也介绍了关于这个任务所需数据集,以及目前现有的模型在处理实际场景中还存在的不足。
Jan, 2018
提出了一种新的口语会话问答任务(SCQA),旨在使系统能够模拟复杂的对话流程,以便处理音频记录中的对话式问题,并探索从不同模态提供更多线索,通过 DDNet 方法有效地摄取跨模态信息以实现语音和语言模态的细粒度表示,并通过双向关注机制鼓励更好的音频和文本之间的对齐,以简化知识转移过程。通过 Spoken-CoQA 数据集,证明了跨模态信息融合的必要性,同时证明了提出的方法在口语会话问答任务中具有卓越的性能表现。
Apr, 2022
本文提出了一种名为 CONVSR 的新型框架,用于捕获并生成中间表示作为会话提示,以增强 QA 模型的能力以更好地解释不完整的问题,并讨论了如何利用该任务的优势设计更具吸引力和雄辩的对话代理程序。
Apr, 2023
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
本论文研究了如何在实际的客服对话场景中,生成自然流畅的语言回应和正确的外部操作指令,使用了序列到序列模型并采用了近邻基于嵌入空间的方法,在确保对话连贯性、生成准确的外部操作指令的同时,显著提高了回应的流利程度和准确性。
Apr, 2018
本论文介绍了一种利用输入段落生成大规模对话问答数据集的新型框架,该框架从段落中提取值得询问的短语,根据先前的对话生成相应的问题,并在生成问题后修订所提取的答案,从而显著提高合成数据的质量。实验结果表明,我们的简单答案修订方法可以带来显著的改进,并且我们证明了我们的框架可以有效地用于对话问答的领域自适应。
Sep, 2022
我们提出了一个基于强化学习模型的 CornNet,该模型利用大型语言模型生成的问题重述来改进对知识图谱中的多轮自然语言问题的回答,实验证明 CornNet 优于现有的 ConvQA 模型。
Dec, 2023
研究提出了一种名为 ClinQG4QA 的框架,该框架借助问答生成来合成新的临床背景下的 QA 对,提高 QA 模型的性能,同时还引入了 seq2seq-based 问题短语预测模块来扩大生成的多样性。该方法在实验中表现出了显著的精度提升(最高达 8%),而 QPP 模块对此有着重要作用。