EMNLPSep, 2021

开放领域问答的自适应信息检索

PDF
TL;DR本文提出了一种自适应信息获取策略（AISO），将检索和回答过程建模为部分观测的马尔可夫决策过程，并定义了三种检索操作和一种回答操作，AISO 根据所收集的证据和重新构造的查询自适应地选择适当的检索操作来寻找丢失的证据，并在证据集足够回答问题时直接输出答案，实验结果表明，相比于预定义策略的基线方法，AISO 在检索和回答方面的评估上表现更好。
open-domain question answeringadaptive information-seeking strategymarkov decision processretrieval functionsreformulated query
发现论文，激发创造
  • 使用迭代文档重新排序回答任意跳开放领域问题

    本文提出了一种统一的 QA 框架，以回答任何跨域问题，包括多步骤文档检索，图形重新排序模型及多文档交互等技术，从而提高检索精度及性能。

    Sep, 2020

  • 可扩展开放领域问答的多步检索器和阅读器交互

    该论文介绍了一种新的开放域问答框架，其中检索器和阅读器相互迭代交互，引入了多步推理机制，有助于从长度为百万级的语料库中检索信息性段落，并应用于不同的问答数据集和模型中均取得了一致性的提升。

    May, 2019

  • 更好的检索并不一定会导致更好的问答

    本文针对欧洲议会选举的数据进行建模，提出了一种基于随机森林和多层感知器神经网络相结合的方法，去完成对选民意向的预测任务，该模型相比其他模型具有更好的预测准确度和稳定性。

    May, 2022

  • 通过可靠和时间感知的证据检索改善健康问题回答

    利用 PubMed 作为可靠的医学研究文档集合，针对开放领域的问答设置，研究通过修改检索设置来提高问答系统性能的方法。结果显示，减少检索到的文档数量，偏爱近期和被引用次数较多的文献可以提高最终的宏观 F1 得分达到 10%。

    Apr, 2024

  • 多语言开放领域问答中的信息不一致性研究

    本研究针对基于检索的开放领域问答系统，探究多语言环境下文献信息不一致的问题，分析多语言开放领域问答模型的检索偏差，探讨文化差异和信息不一致性对模型的影响。

    May, 2022

  • 弱监督开放域问答的潜在检索

    本文提出了一种新的 open domain question answering 方法，利用问题 - 回答对来同时学习 retriever 和 reader，将 Wikipedia 中的证据检索视为潜在变量，并通过 Inverse Cloze Task 进行预训练。我们的方法在五个 QA 数据集上进行测试，表明在用户真正寻求答案的数据集上，学习检索至关重要，完全匹配方面的得分比传统的 IR 系统（如 BM25）高达 19 个点。

    Jun, 2019

  • 构建可解释和可靠的新领域开放信息检索器

    提出了一种信息检索管道，利用实体 / 事件链接模型和查询分解模型来更准确地关注查询的不同信息单元，该管道显著提高了对五个信息检索和问答基准的段落覆盖率和指代准确性。由于其卓越的可解释性和跨领域性能，它将成为需要在新领域上执行信息检索而无需大量投入的应用程序的首选系统。

    Aug, 2023

  • 深度问答中的自适应文档检索

    提出了一种学习最佳候选文档数目的自适应文档检索模型，在多个基准数据集中展示出胜于现有最先进方法的实验结果，并适用于具备变化规模的语料库。

    Aug, 2018

  • 从文本中回答具有不同推理步骤的开放领域问题

    通过使用单个多任务 transformer 模型，我们设计了一个统一的系统，可以迭代地检索支持事实，重新排序它们，并从所有检索的文档中预测答案，从而回答各种需要不同数量的检索步骤的开放领域问题。我们构建了一个新的基准测试 BeerQA，并证明我们的模型在现有基准测试和这个新基准测试上都表现出有竞争力的表现。

    Oct, 2020

  • 基于论证的对话系统信息搜索对话策略优化

    该研究使用马尔科夫决策过程和深度强化学习的方法来优化信息寻求对话系统中的对话策略，并在两个不同领域的论证对话数据集上进行了实验，结果表明该方法可以有效地优化对话策略。

    Nov, 2018