EMNLPOct, 2020

针对高层次文本理解的好奇心问题生成

PDF
TL;DR介绍了 INQUISITIVE 数据集，该数据集包含～19,000 个问题，是读者在阅读文档时 elicited 的。与现有数据集相比，INQUISITIVE 的问题更加注重文本的高层（语义和话语）理解，并根据基于 GPT-2 的问题生成模型评估了该任务的挑战性，强调了上下文对生成 INQUISITIVE 问题的重要性。
question generationtext comprehensiondatasetsemantic and discourse comprehensioncontext
发现论文，激发创造
  • 何为好奇性问题？—— 一项类型控制的好奇性问题生成研究

    提出一种基于类型控制的问句生成框架，可以通过源文本中的关键词生成符合特定类型的多样的问题，并探索使用专家标注进行的排序器的选定策略，在自动和手动评估中得到了强大的结果。

    May, 2022

  • 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

  • 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

  • 应该回答哪些问题？探究性问题的显著性预测

    本文介绍了一个针对好奇性问题的显著性预测器 QSALIENCE，该预测器通过我们的数据集进行指导调整，数据集中有 1766 个语言学注释的显著性得分（上下文，问题），并展示了高显著性问题在同一文章中更有可能得到回答，从而将潜在问题与讨论中的问题联系起来。此外，通过展示回答显著性问题是新闻摘要质量的一个指标，进一步验证了我们的发现。

    Apr, 2024

  • 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

  • QURIOUS：文本生成的问题生成预训练

    本文介绍了一种新型文本生成的预训练方法 —— 提问生成法，并通过与抽象总结和面向回答问题的问题生成两个文本生成任务的实验，证明了该方法优于以往的预训练方法，能够更好地理解输入并生成更自然、简洁和丰富的文本。

    Apr, 2020

  • NewsQs: 多源信息提问

    我们提供了一个名为 NewsQs (新闻提示) 的数据集，其中提供了多篇新闻文档的问题 - 回答对。通过在 News On the Web 语料库的 FAQ 样式新闻文章上对 T5-Large 模型进行微调，我们创造了 NewsQs，并自动生成了问题。我们证明，使用控制代码对模型进行微调可以生成更容易被人们接受的问题，与没有使用控制代码的相同模型相比，在人类评价中表现更好。我们使用与人类注释具有高相关性的 QNLI 模型来过滤数据。我们将我们的最终高质量问题、答案和文档聚类数据集作为资源，用于未来的基于查询的多文档摘要研究。

    Feb, 2024

  • 通过文本到文本神经问题生成的机器理解

    本文提出了一种基于递归神经网络的模型，可以根据答案生成自然语言问题，并介绍了一种使用监督学习和强化学习相结合的方式对模型进行训练，然后通过策略梯度技术微调模型以最大化几个衡量问题质量的奖励，其中一个奖励是一个问题回答系统的表现，并通过最近的问答数据集 SQuAD 对模型进行了训练和评估。

    May, 2017

  • 提升问题生成的上下文捕获能力

    本文旨在通过运用多阶段关注机制和序列到序列模型，在长文档的背景下产生更真实的问题，结果表明在 SQuAD、MS MARCO 和 NewsQA 三个问答数据集上，该方法优于现有方法。

    Oct, 2019

  • 保持饥饿，保持专注：在信息搜索对话中生成信息量丰富且具体的问题

    本文研究了在信息不对称的对话中生成信息丰富的问题的问题，提出了一种基于启发式思考而非答案预设的提问策略，并使用强化学习算法优化问题的信息丰富程度，并优化问题的特定性，结果表明此策略比其他对比模型更能有效提高提问问题的信息量和特定性。

    Apr, 2020