ACLAug, 2021

面向开放域问答的混合文本和表格证据的双重阅读器 - 解析器

PDF
TL;DR本文提出一种混合型框架，将文本和表格式证据作为输入，根据问题生成直接答案或 SQL 查询，并在几个开放领域问题回答（ODQA）数据集上表现出了明显优于基线模型的表现。在详细的分析中，证明生成结构化 SQL 查询将始终带来收益，尤其是对于那些需要复杂推理的问题。这是第一个将 Text2SQL 应用于 ODQA 任务的论文。
发现论文，激发创造
  • 一种带有统一知识接口的开放领域问答系统

    本文提出了一种基于数据和文本的统一问答框架 UDT-QA，并使用数据到文本方法将 Wiki 百科中的表格和 Wikidata 中的图表达为口语化信息，以扩展知识索引。实验证明，该方法取得了自然问答 (Single-model state-of-the-art) 的最佳成果，并表明对于调整和热插拔的两种情况，口语化知识的优先考虑可以优化答案推理。

    Oct, 2021

  • 表格与文本的开放式问题回答

    该论文研究了开放式问答系统（QA）在同时检索结构化表格和非结构化文本数据时的困难之处，并提出了两种新技术以提高检索准确率，让模型的精确匹配得分提高至 27% 以上，这为该领域的未来研究提供了重要的参考价值。

    Oct, 2020

  • UnitedQA: 开放领域问答的混合方法

    本文研究了一种混合的提取式和生成式阅读器方法，以及如何结合这两种方法进行问答。我们通过一些新技术对预训练的神经语言模型进行了改进，证明了这种方法比以前最先进的模型效果更好，取得了 3.3 和 2.7 的提升。

    Jan, 2021

  • 通过语法和结构感知的密集检索增强开放域表格问答

    提出了一种语法和结构感知的开放域表格问题回答方法，通过提供问题的语法表示和利用表格的结构头部和数值表示来避免细粒度的句法和结构信息丢失，实验结果表明该方法在 NQ-tables 数据集上达到了最先进的效果，并在一个新的开放域 Text-to-SQL 数据集上超越了强基线。

    Sep, 2023

  • 跨域文本到 SQL 解析中的基于层次化 SQL 到问题生成的数据增强

    该论文通过设计一个简单而有效的数据增强框架，提出了一种层次化的 SQL 转自然语言问题生成模型，以及一种简单的采样策略来显著提高训练效率。在三个跨领域数据集上的实验表明，其方法可以一贯地改善表现，并且层次化生成组件是改善的关键。

    Mar, 2021

  • KaggleDBQA：文本 - SQL 解析器的真实性评估

    本文探讨了实现自然语言查询现实关系数据库的挑战，提出了一个新的跨领域评估数据集 KaggleDBQA，并通过引入数据库文档等隐含领域知识的方法，将现有模型的准确性提高了 13.2%。

    Jun, 2021

  • 语义解析：基于语法和表格的 SQL 生成

    利用生成模型将自然语言问题转换成 SQL 查询，并通过考虑表格结构和 SQL 语法来提高查询的可执行性和准确性。在 WikiSQL 数据集上进行实验，将执行准确率从 69.0％提高到 74.4％。

    Apr, 2018

  • 通过混合问题解析和执行回答文本中的复杂问题

    提出了一个结合神经网络和符号方法的问题解析和执行框架，在 MuSiQue、2WikiQA、HotpotQA 和 NQ 等数据集中表现出优异的性能，同时高效的暴露了它的推理过程。

    May, 2023

  • 通过异构知识的推理链进行开放域问答

    提出一种新颖的开放领域问答框架，使用中介模块对异构知识源上的单跳 / 多跳问题进行回答。在预训练语言模型的基础上，通过将检索到的证据与其相关的全局上下文链接到图中，并将它们组织成候选证据链，实现了竞争性的性能。在两个 ODQA 数据集 OTT-QA 和 NQ 上，我们的模型显著优于之前最先进的方法，在 OTT-QA 上具有 47.3 的精确匹配分数（相对增益 45%）。

    Oct, 2022

  • 混合模态表示学习与预训练用于开放领域问答系统中的联合表格和文本检索

    本研究提出了一个优化的 OpenQA 表格文本检索器（OTTeR），通过增强混合模态表示学习，采用混合模态负面抽样策略和综合预训练来解决表格文本不一致和数据稀疏性问题，并在实验中取得最先进的结果。

    Oct, 2022