Dec, 2020

Red Dragon AI 在 TextGraphs 2020 共享任务中的表现：LIT：用 LSTM-交错Transformer 进行多跳解释排名

HTML
PDF
TL;DR本研究提出LSTM-Interleaved Transformer作为可解释的科学问题的提问和回答任务的解决方案，该方案采用跨文档交互以提高多跳排名。我们的模型在TextGraphs 2020共享任务中排名第三。
发现论文，激发创造
  • 句子级TextGraphs的多跳推理：为科学问题回答有效地结合信息有多具有挑战性？

    通过评估来自三个自由文本语料库的知识图构建的通过词汇重叠连接的句子的机会聚合质量的9,784个手动注释的判断，我们实证表征了构建或遍历图形的困难，表明语义漂移倾向于很高并且聚合质量很低，高亮最大化有意义地组合信息的情况。

    May, 2018

  • PullNet：基于知识库和文本迭代检索的开放域问答

    PullNet 是一个弱监督的集成框架，用于学习如何从由语料库和知识库组成的弱补充的语料库和知识库中提取和推理实现最佳答案，并使用图卷积网络实现多跳问题的应答。

    Apr, 2019

  • ASU 在 TextGraphs 2019 共享任务中的解释再生成：使用语言模型和迭代重新排名

    该研究介绍了亚利桑那州立大学自然语言处理组在TextGraphs 2019共享任务上的系统，该任务旨在进行解释重建，其是大型图多跳推理的中间步骤。我们将解释重建任务建模为“学习排序”问题，利用先进的语言模型并探索数据集准备技术。我们使用基于迭代二次排序的方法进一步改善排名。在测试集上，我们的系统获得了第二名，平均精度为41.3％。

    Sep, 2019

  • 基于文档图网络的多跳问答支持事实识别

    本文提出了文档图网络（DGN），一种用于识别文本的支持事实的消息传递架构，该架构基于图形式表达的文本结构表示。在HotpotQA的评估中，DGN在多跳推理任务中获得了与基于阅读理解的基线模型相当的结果，证实了结构化表示对于支持多跳推理的相关性。

    Oct, 2019

  • 2019年TextGraphs共享任务中的红龙AI：借助语言模型协助生成解释

    Red Dragon AI採用問題和解釋文本的語言直接進行解釋重建，並提出三種不同階段的方法以增加方法的複雜度並在TextGraphs-13的競賽中獲得第三名。

    Nov, 2019

  • 使用图卷积网络进行多跳问题生成

    我们提出了一种多跳编码融合网络（MulQG）来解决多跳问题生成中的挑战，该方法使用图卷积网络进行多次上下文编码，并通过编码门实现编码融合，没有使用任何句级别信息，实验结果表明我们的模型在自动指标和人类评估中都有较好的表现。

    Oct, 2020

  • 神经多跳问题生成的强化Transformer

    该论文探讨了自动化生成问题的新领域：多跳问题生成。通过引入一系列强大的转换器模型，包括使用多文档之间关系增强的图形增强转换器，比简单的transformer模型提高了5个BLEU点，并验证了数据过滤等能极大地提升模型性能。

    Oct, 2020

  • Red Dragon AI参加TextGraphs 2021共享任务：通过匹配专家评分进行多跳推理解释重建

    通过多跳推理、文本语言模型和排序集成技术，我们的系统在Textgraphs共享任务中获得第二名，通过专家的相关性评分，聚焦于收集相关语句，而不仅仅是找到一条“正确路径”

    Jul, 2021

  • 通过工具之间的对话和高效微调大型语言模型进行多模式多跳问答

    我们采用一种工具交互的分治策略，使大型语言模型能够回答复杂的多模式多跳问题，并以预定义的工具集中的适当工具回答单模式单跳子问题。通过生成工具交互分治数据集并对相应的语言模型进行高效微调，我们增加了大型语言模型的推理能力。实验分析表明，相比现有的最先进解决方案，我们的策略显著改进了两个最近引入的复杂问答数据集上的效果，表明我们策略的功效和普适性。

    Sep, 2023

  • HOLMES: 基于超关系的知识图谱用于多跳问答的 LLMs

    利用压缩的知识图作为输入，我们的方法在使用较少标记表示支持文档中与查询相关信息方面比现有方法利用高达67%的标记。我们的实验证明，在两个流行的基准数据集（HotpotQA和MuSiQue）上，我们的方法在多个指标（EM，F1，BERTScore和人类评估）上持续改进。

    Jun, 2024