ACLJul, 2021

具有新问题类型本体的可控开放式问题生成

PDF
TL;DR探索生成通常由多个句子回答的开放性问题的任务，定义一个新的问题类型本体论、提出了一种新颖的基于问题类型感知的问题生成框架并使用语义图形表示，进一步利用示例和自动生成的模板来提高可控性和多样性。在两个新收集的大规模数据集上进行实验，表明我们的模型在自动评估指标上改善了问题质量。最后，我们的模型变体可以产生具有增强的可控性和多样性的问题。
open-ended questionsquestion generationquestion type ontologysemantic graph representationquestion templates
发现论文，激发创造
  • 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

  • 从知识图谱中得出的知识问题

    本研究提出一种针对知识图谱（如 DBpedia）自动生成知识问题的方法，通过使用端到端的方法，包括实体选择、三元组查询、答案选择和自然语言问句生成，并使用历史数据和训练分类器来估计问题难度。最后的实验证明了这种方法的可行性。

    Oct, 2016

  • 多类型对话式封闭和无法回答问题的问答生成

    本文提出了一种新的方法合成用于 CQA 的数据，其中包括开放式，封闭式和无法回答的问题，通过为每种问题类型设计不同的生成流程并将它们有效地结合在单个共享框架中，同时设计了分层回答分类模块，提高了合成数据的质量，手动检查发现我们的框架生成的合成数据具有非常类似于人类生成的对话的特征，在四个领域中，使用我们的合成数据训练的 CQA 系统的表现确实接近于使用人工注释数据训练的系统。

    Oct, 2022

  • 何为好奇性问题？—— 一项类型控制的好奇性问题生成研究

    提出一种基于类型控制的问句生成框架，可以通过源文本中的关键词生成符合特定类型的多样的问题，并探索使用专家标注进行的排序器的选定策略，在自动和手动评估中得到了强大的结果。

    May, 2022

  • 基于新闻文章的开放性问题生成的一致性

    本研究提出了一种名为 CONSISTENT 的端到端系统，用于生成可以回答输入文本并忠实于其的开放式问题，并证明了该模型相对于其他基线模型在自动和人类评估方面的优势，并且讨论了该技术在新闻媒体组织和其他领域的潜在应用。

    Oct, 2022

  • 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

  • 基于场景的视觉问题的自动生成

    本文提出了一种模型，能够从单个图像中生成具有不同类型的视觉问题。通过采样最可靠的问题类型来自动生成问，该方法在两个真实世界数据集上的实验结果表明，我们的模型在正确性和多样性方面都优于最强基线。

    Dec, 2016

  • 向实体为中心的开放域问题生成提问

    我们引入一个称为 “实体中心问题生成”（ECQG）的新任务，旨在从实体的角度生成问题。为了解决 ECQG，我们提出了一个连贯的基于 PLM 的框架 GenCONE，其中包含两个新颖的模块：内容聚焦和问题验证。我们还构建了一个大规模的开放领域数据集，以支持这个任务。我们的大量实验证明，GenCONE 在生成高质量问题方面显著且一致地优于各种基线方法，而两个模块在此过程中是有效且互补的。

    Oct, 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

  • NewsQs: 多源信息提问

    我们提供了一个名为 NewsQs (新闻提示) 的数据集，其中提供了多篇新闻文档的问题 - 回答对。通过在 News On the Web 语料库的 FAQ 样式新闻文章上对 T5-Large 模型进行微调，我们创造了 NewsQs，并自动生成了问题。我们证明，使用控制代码对模型进行微调可以生成更容易被人们接受的问题，与没有使用控制代码的相同模型相比，在人类评价中表现更好。我们使用与人类注释具有高相关性的 QNLI 模型来过滤数据。我们将我们的最终高质量问题、答案和文档聚类数据集作为资源，用于未来的基于查询的多文档摘要研究。

    Feb, 2024