May, 2020

面向问题类型的复制损失增强框架 —— 面向答案不可知的神经问题生成

PDF
TL;DR本研究旨在研究对于给定句子但不提供答案的自动生成问题的策略，其中包括预测问题类型和复制机制等。经过实验比较，本研究的综合模型表现更佳，达到 SQuAD BLEU-4 分数 13.9，并经过人工评估证明所生成问题的质量较高。
发现论文，激发创造
  • 基于问题类型的问句生成

    本文介绍一种基于序列到序列模型（seq2seq model）的问题生成方法，该方法可以根据输入答案和上下文自动预测问题类型，然后将问题类型带入模型中，解决了问题类型与答案不匹配的问题，并在 SQuAD 数据集上取得了最优结果。

    Aug, 2019

  • 学习通过学习不生成的内容来生成问题

    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

  • MixQG: 混合答案类型的神经网络问题生成

    本文提出了一个名为 MixQG 的神经问题生成器，通过结合 9 个问题回答数据集来训练单一的生成模型，该模型在不同的认知水平中可以产生具有不同类型答案的问题，经实验证明在已知和未知领域中均表现出优越性。

    Oct, 2021

  • 仿人类提问：基于文本语料库的可扩展问答生成

    本文提出了一种名为 ACS-QG 的问题生成系统，使用信息抽取、神经网络生成器和质量控制器自动生成高质量、多样化的问题 - 答案对，该系统超越了现有神经网络问题生成模型，并能从较少的数据中生成 280 万个高质量的问题 - 答案对。

    Jan, 2020

  • 生成高度相关的问题

    通过部分复制和 QA-based reranker，我们提出了两种方法来提高神经序列到序列的问题生成模型的生成问题与给定段落和答案相关性的准确性。

    Oct, 2019

  • 通过整合不同语境和考虑答案的损失生成知识库问题

    本论文提出了一种神经编码 - 解码模型来生成能够表达给定谓词、对应确定答案的问题，引入了多样化的语境和答案可感知的损失，实验表明我们的模型取得了最佳表现。

    Oct, 2019

  • 解决半监督问答中的语义漂泊问题

    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

  • 学会提问：神经网络阅读理解问题生成

    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

  • 基于文本的神经问答生成：初步研究

    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

  • 教育中基于答案无关性的问题生成可行性研究

    本篇研究针对教科书段落的无关答案问题生成模型的适用性进行可行性研究，研究表明通过提供摘要信息，可以降低由无关或难以解释问题产生的错误， 为模型提供人工编写的摘要信息在生成问题的可接受性方面产生了重大的提高，同时，发现在没有人工编写的摘要信息的情况下，自动摘要仍可发挥中间作用。

    Mar, 2022