ACLMay, 2021

指导成长：透过逐步重写实现难度可控的问题生成

PDF
TL;DR本文研究了 “可控难度问题生成” 任务，重新定义了问题难度度量，并通过提出一个逐步重写的框架，根据抽取的推理链实现了逐渐增加问题难度的效果。我们还构建了一个自动数据集来测试我们的方法性能。
difficulty-controllable question generationquestion answering systeminference stepsquestion generation systemreasoning chain
发现论文，激发创造
  • 可控难度的阅读理解问题生成

    本文研究阅读理解数据集中问题难度的难易级别，并提出了一种名为 DQG 的新问题生成设置，用于生成符合指定难度标签的阅读理解问题。我们提出了一个端到端的框架来生成指定难度级别的问题，并制备了第一个具有难度标签的阅读理解问题数据集。结果表明，我们的框架生成的问题不仅在 BLEU 等度量标准上具有更好的质量，而且符合指定的难度标签。

    Jul, 2018

  • 教育问题生成的良好可控性探究

    这项研究通过引入一个新的指导属性 “问题明确度”，旨在丰富 NLP 中问题生成（QG）的可控性，提供了在特定的叙事元素下生成问题的显式和隐式 wh-questions 的控制方法，代码公开于 github。

    Jun, 2023

  • 通过关键字提供提高教育问题生成的可控性

    本文研究了问题生成中的控制性和难度问题，提出了一种基于关键词的问题生成模型，并通过实验证明了该模型能够显著提高问题生成的多样性和可控性。

    Dec, 2021

  • 通过动态多任务学习实现连续问题生成

    本文提出了 “连续问题生成” 任务，使用动态多任务框架生成逻辑相关的问题 - 答案对，全面考虑准确性、覆盖范围和信息量，并使用求精法（reranking）提高提问质量，提升 NLP 相关任务的效果。

    Nov, 2022

  • 加强型动态推理在对话问句生成中的应用

    本文提出了一个新的任务 —— 对话式问题生成（CQG），研究了如何使用增强动态推理（ReDR）网络来生成针对给定文本和对话历史的问题，使用 QA 模型提供反馈，经过与各种基线和模型变量的比较得出新方法的有效性，并将其应用于 SQuAD 的多轮问答对话中。

    Jul, 2019

  • 简单还是复杂？基于软模板和深度专家混合模型的可控制复杂度问题生成

    本文提出了一种混合专家 (MoE) 作为软模板选择器的端到端神经复杂度可控问句生成模型，该模型引入一种新颖的跨域复杂度估计器来评估问题的复杂性，实验结果表明我们的模型优于同类方法，并且我们的复杂度估计器在领域内外的情况下比基线方法更准确。

    Oct, 2021

  • 询问以理解：多跳问答问题生成

    本文提出了一种基于问题生成的新型多跳问答方法，通过精心设计端到端的 QG 模块，在上下文理解中提出内在逻辑子问题，从而继承了 QD 方法的可解释性并表现出较高的性能。实验证明，我们提出的 QG 模块是有效的，在流畅性、一致性和多样性方面优于 QD 方法，并获得了人工评估的定量可解释性。

    Mar, 2022

  • 针对无答案对话问题生成的提问内容和提问方式建模

    SG-CQG 是一个用于回答无答案设置下如何生成与要求自然的对话的方法，它通过语义图和具有明确控制信号的分类器来解决 what-to-ask 和 how-to-ask 的挑战。同时，提出了新的评估指标 Conv-Distinct，并在实验中取得了最先进的表现。

    May, 2023

  • 如何再次提问：使用连续空间中可控的重写进行问题数据增强

    本文提出一种新型的数据增强方法 CRQDA，利用 Transformer 自编码器和预训练的 MRC 模型生成与上下文相关、高质量和多样化的问题数据样本，通过在 SQuAD 2.0、SQuAD 1.1 问题生成和 QNLI 任务上的实验证明了其有效性。

    Oct, 2020

  • 生成深度问题的语义图

    该论文提出了一种深度问题生成的方法，通过构建语义级别的图表达文档全局结构，利用注意力机制和图神经网络解码，达到最先进水平，在 HotpotQA 中获得优异表现。

    Apr, 2020