Jan, 2021

应用迁移学习提升特定领域搜索体验：使用查询和问题的相似度

PDF
TL;DR本研究提出一种针对任何特定领域搜索引擎的框架来计算给定输入查询和一组预定义问题之间的相似度，使用 Siamese 网络和 LSTM 模型训练分类器来生成未归一化和归一化的相似度分数，并结合两种词向量和自定义模糊匹配分数等三种其他相似度得分计算的元分类器，在 Quora 问题对（QQP）数据集以及特定于金融领域的数据集上进行性能测试。
question answer retrievalsemantic textual similaritysiamese networklstmsupport vector machines
发现论文，激发创造
  • 将问答系统应用于实践：转移学习用于高效领域定制

    本文提出通过过滤机制来增加文档检索的精度，并针对领域差异用一种新型的融合和过采样的迁移学习方法用于提高答案提取性能，并以金融公司和电影行业的实际用例证明了其表现。

    Apr, 2018

  • 有效的迁移学习方法用于相似问题鉴定：用户问题匹配 COVID-19 常见问题解答

    利用预训练神经网络上的双重微调方法，先使用医疗问答对进行预训练，然后使用医学问答对进行微调，以确定医学问题的相似性，特别适用于 COVID-19 相关问答系统匹配用户问题。

    Aug, 2020

  • 使用统计自然语言处理技术为查询建议相关问题

    本研究提出一个自我学习的组合方法，通过引入具有权重的句法和语义相似度指标来确定来自预定数据库的类似问题，通过全面分析证明其效率和功效高于现有文献。

    Apr, 2022

  • 语义答案相似度度量评估

    提出了利用基于 Transformer 模型度量方法对自然语言生成及问答系统进行语义相似度评估的框架，并使用 US-American public figures 的同指名字对数据集进行训练，取得较高的语义相似度度量结果。

    Jun, 2022

  • 使用查询 - 问题相似度和基于 BERT 的查询 - 答案相关性进行 FAQ 检索

    提出了一种基于未监督信息检索和 BERT 模型的 FAQ 检索系统，用于回答用户的查询，该系统通过计算用户问题和问题之间的相似度以及问题和答案之间的相关性来检索数据。该系统在两个数据集评估中表现出了优异的性能表现。

    May, 2019

  • 文本相似性用于自动答案验证

    自动答案验证可以通过为学习者提供适当的反馈并提供更广泛的问题回答系统和在线学习解决方案来改善学习成果。我们实现了一种共享神经网络模型，并提供了一个通用的解决方案，比较了我们的监督模型和其他基于文本相似度的解决方案。

    Jan, 2024

  • 问答领域的有监督和无监督迁移学习

    本文探究了迁移学习在问题回答方面的应用，使用两种问题回答模型，在 TOEFL 和 MCTest 数据集上通过简单的迁移学习技术从 MovieQA 数据集中学到的知识显著提高了性能，尤其是其中一种模型在所有目标数据集上取得了最佳效果，对于 TOEFL 听力理解测试，它的性能比以前的最佳模型提高了 7%。最后，我们证明了即使在目标 QA 数据集示例的正确答案不可用的无监督情况下，迁移学习也是有帮助的。

    Nov, 2017

  • 从对话学习语义文本相似度

    本论文通过学习使用对话数据学习句子级语义相似性的新方法，利用无监督模型预测对话输入响应对以训练，导出的句子嵌入在语义文本相似性基准测试和 SemEval 2017 的 CQA 问题相似性子任务上表现良好。通过介绍同时进行对话输入响应预测任务和自然语言推理任务的多任务训练来进一步改善性能。广泛的实验显示，所提出的模型在 STS 基准测试中达到了所有神经模型中最佳性能，并且在两个任务中的工程特征和混合系统方面与最先进的混合系统竞争。

    Apr, 2018

  • 电子商务中基于检索的问答系统的迁移学习中建模领域关系

    本文研究了针对 PI 和 NLI 问题的迁移学习，并提出了一种通用框架，旨在有效地将从资源丰富的源域中学习到的共享知识适应于资源匮乏的目标域。研究发现，我们的基准模型高效，并且迁移学习方法可以显著提高其性能。

    Nov, 2017

  • 开放领域问答的知识融合和语义知识排名

    本文提出一种基于语义知识排名模型和知识融合模型的开放领域问答方法，该方法通过整合基于 Lucene 的信息检索系统检索的知识和 BERT 语言模型中的外部检索知识，以正确回答问题。研究表明，基于知识融合模型的方法优于之前的尝试。

    Apr, 2020