利用答案选择之间的自然语言关系进行机器理解
使用自然语言推理技术和矛盾验证策略来提高问题回答系统的准确性和可靠性在生物医学领域具有重要意义。研究表明使用矛盾验证模型可以在问答选择任务方面取得良好的表现,并且对于解释模型智能性和提高系统可靠性具有潜在意义。
Sep, 2022
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。
Aug, 2020
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
研究现代语言理解系统面临的一个重要挑战是回答隐含推理问题,本研究通过将推理步骤的推断与执行分离,探究当前模型为何难以应对隐含推理问答任务,并构建 IMPLICITRELATIONS 基准测试,评估 GPT-3 系列模型在任务上的表现,发现这些模型在隐含推理问答任务上表现不佳,但在推断隐含关系方面表现良好。这表明隐含推理问题的挑战不仅在于需要规划推理策略,而且在于在检索和推理相关信息的同时进行推理。
Apr, 2022
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
本文提出了一种新的基于问题蕴含识别(Recognizing Question Entailment)的问答(Question Answering)方法,基于机器学习和深度学习算法,结合信息检索模型,在医疗领域实现了显著的问答准确率提升。
Jan, 2019
该论文提出了一种基于交互的文本问答任务 QAit,通过使用基于深度强化学习的智能体与部分可观察的文本环境交互来获取答案所需的信息,提高了机器阅读系统在问答任务中的表现。
Aug, 2019
提出了一个基于将文本转换为抽象意义表示(AMR)图的新型流水线,通过预训练的 AMR 解析器将 AMR 图转换为命题逻辑,并使用 SAT 求解器进行自动推理,引入了松弛方法以允许替换或遗忘某些命题。实验结果表明该流水线在四个 Recognizing Textual Entailment 数据集上表现良好。
May, 2024
本文将自然语言理解,逻辑信息和 NLI 任务与 Story Cloze Test 融合,通过提取课程中的逻辑信息来提高整个 Story 的理解。
Dec, 2018