ACLNov, 2020

利用生成式证据融合和往返预测解答模糊问题

PDF
TL;DR本文介绍了一种名为 Refuel 的模型，用于回答开放式问题中的多义性及其解决方案，该模型可同时预测多个答案，使用多个来源的证据进行适应性预测，并提出一种名为往返预测的方法，迭代地生成额外的解释用于验证和过滤不正确的答案，最终提供解释模型输出。该模型在 AmbigQA 数据集上实现了新的最先进性能，并在 NQ-Open 和 TriviaQA 上展示了有竞争力的性能。
open-domain question answeringambiguitymultiple interpretationsround-trip predictionrefuel model
发现论文，激发创造
  • 通过迭代提示回答模棱两可的问题

    AmbigPrompt 是一种在回答模糊问题时处理现有方法缺陷的模型，通过将回答模型与提示模型迭代地整合，自适应地追踪阅读过程，逐步触发回答模型来构成不同且相关的答案。此外，作者还开发了一种特定任务的预训练方法，极大提高了该框架的性能，同时比竞争方法使用更少的内存并具有较低的推理延迟。

    Jul, 2023

  • AmbigQA：回答模糊的开放领域问题

    本研究介绍了一项新的开放领域问题解答任务 AmbigQA，其中包括找到每个可能的答案，然后为每个答案重写问题以解决歧义问题。我们还构建了 AmbigNQ 数据集，该数据集涵盖了来自 NQ-open 的 14,042 个问题，并发现 NQ-open 中超过一半的问题存在不同源头的歧义，并且我们提出了一种强大的基础模型，表明我们的新任务和数据将支持未来的研究工作。

    Apr, 2020

  • 在开放域问答中提出澄清问题以处理歧义

    提出了一种基于澄清问题的开放领域问答方法，首先使用 InstructGPT 和手动修订生成澄清问题的数据集 CAMBIGNQ，然后设计了一系列任务和合适的评价指标，在模糊性检测和基于澄清问题的问答方面取得了 61.3 F1 和 40.5 F1 的成果。

    May, 2023

  • 模型分析与评估：歧义问题回答

    研究 Question Answering 模型回答模糊问题的挑战，探讨模型 / 数据扩展和自动评估指标对模型质量的影响，并研究模型答案的证据根据，旨在提供有关当前方法局限性的宝贵见解。

    May, 2023

  • 利用包含问题、答案和修订的数据库回答模棱两可的问题

    通过利用来自维基百科的明确问题数据库，我们提出了一个新的用于回答含糊问题的最新方法，在含糊问题的多个答案的总结中，我们的方法在回收率指标上提高了 15%（相对改进），在评估从预测输出中消除模糊问题的指标上提高了 10%。从生成的问题数据库检索还可以在多样的篇章检索中取得巨大的改进。

    Aug, 2023

  • 开放域问答中的答案重新排序的证据聚合

    本文提出了两种新的模型，在公开领域问答数据集中取得了最具竞争力的结果。这两种方法是使用多篇文章生成答案。

    Nov, 2017

  • 从文本中回答具有不同推理步骤的开放领域问题

    通过使用单个多任务 transformer 模型，我们设计了一个统一的系统，可以迭代地检索支持事实，重新排序它们，并从所有检索的文档中预测答案，从而回答各种需要不同数量的检索步骤的开放领域问题。我们构建了一个新的基准测试 BeerQA，并证明我们的模型在现有基准测试和这个新基准测试上都表现出有竞争力的表现。

    Oct, 2020

  • PAQA：面向主动开放式检索的问题回答

    为了解决会话式搜索系统中存在的问题，本文提出了 PAQA，这是 AmbiNQ 数据集的扩展，通过考虑用户查询和文档中存在的歧义，生成相关的澄清问题，并评估各种模型以及检索过程对歧义检测和澄清问题生成的影响。

    Feb, 2024

  • 透过 检索 - 验证 框架回答开放领域多答案问题

    本文提出了一种召回 - 验证框架，以应对开放域多项答案问答中存在的多种问题，实验结果表明该框架在两个多项答案数据集上取得了最新的最好结果。

    Oct, 2021

  • 有选择性地回答含糊问题

    我们从不确定性的角度研究了问答系统，提出一种基于采样的可靠度量方法并发现它在校准答案方面的表现优于模型准确率或自验证方法，这对于回答相对模糊的问题有更明显的改善效果。

    May, 2023