Aug, 2020

通过自然语言推理对澄清问题进行排名

PDF
TL;DR教机器提出澄清问题对于自然语言处理系统非常有用，本研究使用 Siamese BERT 模型，将 NLI 的特征运用在 StackExchange 数据集问题排序上，取得了相对于现有基线模型高达 40% 至 60% 的性能提升。
clarifying questionsnatural language processingranking clarification questionsnlisiamese bert model
发现论文，激发创造
  • 学习提出好问题：通过神经期望完美信息值对澄清问题进行排名

    本研究构建了一个基于神经网络的模型来排列澄清问题，模型以期望的完美信息价值为灵感，并使用来自 StackExchange 的数据进行了研究和评估。

    May, 2018

  • 自然语言推理模型能否验证问答系统的预测？

    本文探讨如何利用自然语言推理来验证问答系统提供的答案是否正确，并通过使用大型预训练模型和最新的数据集来构建 QA 实例的前提 - 假设配对，进而将 QA 和 NLI 数据集结合以训练 NLI 模型，以此提高 QA 模型的准确性和置信度。

    Apr, 2021

  • 分析澄清问题对对话式搜索中文档排序的影响

    该研究分析了词汇排名模型在具有澄清问题的会话搜索数据集上的性能，探讨了不同方面的澄清问题和用户答案如何影响排名的质量，并介绍了一种基于启发式的词汇基线，它明显优于现有的朴素基线。

    Aug, 2020

  • 利用答案选择之间的自然语言关系进行机器理解

    本文介绍了一种通过利用自然语言关联性来提高机器的阅读理解性能的方法：使用独立的问答系统进行问答任务和自然语言推理系统对选择对之间的关系进行分析，然后通过基于整数线性规划的关系框架进行推理，提高独立问答系统的决策能力。此外，本方法还提出了一个多任务学习模型。

    Dec, 2020

  • NTES_ALONG 在 Convai3 挑战中的澄清问题选择系统

    该论文介绍了 NetEase 游戏 AI 实验室团队参加 2020 年 Search-oriented Conversational AI（SCAI）EMNLP 研讨会 ClariQ 挑战的情况。我们提出了一个澄清问题选择系统，它由回复理解、候选问题回忆和澄清问题排名组成。在实验中，我们使用 RoBERTa 模型来理解用户的回复，并使用 BM25 模型回忆候选问题。在澄清问题排名阶段，我们基于 ELECTRA 提出了两种模型，并将它们的输出概率相加，选择概率最高的问题作为澄清问题。实验结果表明，我们的模型在文档相关性任务中表现优异，且在问题相关性任务中达到了最佳的 recall@[20,30] 指标，而在第二阶段的多轮对话评估中，我们的系统获得了所有文档相关性度量的最高分数。

    Oct, 2020

  • 必要时澄清：通过与语言模型的交互解决多义性

    我们提出了一个任务无关的框架来通过询问用户澄清问题来解决模型中的歧义，我们的方法在确定何时需要澄清、确定要问的澄清问题以及通过澄清获得的新信息方面都取得了显著成果，并对模型的不确定性进行了估计，我们的方法在准确识别需要澄清的预测方面始终优于现有的不确定性估计方法，使系统能够在仅允许在 10％的示例上进行澄清时将性能提升两倍。

    Nov, 2023

  • 无需问题示例的开放领域澄清问题生成

    通过提出一个视觉基础的问题 - 回答模型框架，使用期望的信息量增益优化来产生极性澄清问题以消除人机对话中的误解，从而展示了该模型在目标导向的 20 个问题游戏中与人工回答者一起提出的问题如何提高交流成功率。

    Oct, 2021

  • 利用领域外知识提升科学问题领域自然语言推断

    本文提出了一种运用知识图谱的结合方法来提高自然语言推理问题（NLI）领域中性能的技术，该技术在文本、图形和文本到图形的模型上均取得了最新的最优表现，并讨论了外部知识在解决 NLI 问题中的实际意义。

    Sep, 2018

  • CLARINET：为检索任务扩展语言模型以提问澄清问题

    这篇研究论文介绍了 CLARINET，一种能够通过选择问题来最大化正确候选项准确性的系统，在信息检索环境中提出澄清问题的问题，相对于传统的启发式方法提高了 17% 的检索成功率，并相对于简单提示的大型语言模型提高了 39%。

    Apr, 2024

  • IGLU NLP 挑战解决方案：使用 World States 和文本指令何时以及如何提问

    本文介绍了针对协作构建任务的智能建造代理的开发，旨在通过对话根据用户输入构建结构，并讨论了 NeurIPS 2022 竞赛的 NLP 任务中涉及的两个研究问题：代理何时应该请求澄清和应该提出什么澄清问题，并针对这两个问题进行了两个子任务，即分类任务和排序任务。

    May, 2023