EMNLPSep, 2021

Summarize-then-Answer: 生成多跳阅读理解简明解释

PDF
TL;DR提出了一种基于抽象化的方法来生成问题相关的简明解释，该方法通过半监督的学习方式训练模型，使用一种关注简洁性的奖励函数来获得更为紧凑的解释。实验证明，在有限的监督下，提出的抽象化解释器生成的解释比传统的摘要解释器更为简洁。
发现论文，激发创造
  • 通过问题分解和重评分的多跳阅读理解

    该研究通过将复杂问题分解为多个单一问题并利用单一问题回答模型回答得出答案，提出了一种多跳阅读理解系统，并提出了一种新的全局重新打分方法，大大提升了系统准确度。

    Jun, 2019

  • 可解释的多文档多跳阅读理解：选择、回答与解释

    本文提出了一个可解释的 Select, Answer and Explain (SAE) 系统解决多文档阅读理解问题，该系统通过使用学习排名损失训练文档分类器来选择与答案有关的文档，并使用多任务学习目标和基于注意的交互来优化预测答案和支持句子的模型，在 HotpotQA 数据集上取得了顶尖性能。

    Nov, 2019

  • 使用组合性解释来教授机器理解

    本文提出了一种使用少量半结构化解释 “教” 机器阅读理解的方法，同时提取结构化变量和规则，并组成神经模块作为下游 MRC 模型的训练实例的注释，使用可学习的神经模块和软逻辑来处理语言变化并克服模型覆盖率不足。在 SQuAD 数据集上，使用 26 个解释进行监督训练，该方法实现了 70.14% 的 F1 得分，与使用 1100 个标记实例的普通监督学习相比，速度提高了 12 倍。

    May, 2020

  • 多风格生成阅读理解

    本研究提出了一种名为 Masque 的多风格抽象化摘要模型，该模型关注于从问题和多个文本段落中生成摘要，以涵盖现实世界应用所需的各种答案风格，并通过将多风格答案学习到一个模型中来提高自然语言生成能力，实验表明该模型在多个任务中的表现都达到了最新的最好水平。

    Jan, 2019

  • 答案生成与摘要：基于证据抽取的多阶段问答多任务学习

    该研究提出了一种基于 Query Focused Extractor (QFE) 模型的可解释的多跳问答系统，使用多任务学习并结合了问答模型进行证据点提取，实验结果表明该模型在 HotpotQA 和 FEVER 任务中达到了最佳证据提取效果。

    May, 2019

  • 多篇文档阅读理解的深度级联模型

    本研究提出一种深度串级学习模型来平衡在线问答系统的效能和效率之间的基本权衡，在多文档的 MRC 场景中取得更好的效果并能够在不到 50 毫秒内稳定地为数百万日请求提供服务。

    Nov, 2018

  • 组合问题不需要多跳推理

    在多次阅读和推理的问题中，通过 HotpotQA 我们证明单次推理可以解决比之前认为的更多的数据集并且设计了一个基于 BERT 的单次推理 RC 模型，达到了 67 个 F1 值，在多次推理的错误分析中这些结果提示我们应该更加注重证据在多次推理中的作用，可能甚至转向信息检索风格评估大而多样的证据收集。

    Jun, 2019

  • 探索、提出和组合：一种可解释的多阶段阅读理解模型

    提出了一个名为 Explore-Propose-Assemble reader (EPAr) 的可解释的 3 模块系统，用于多跳阅读理解，通过迭代选择相关文档、提出答案和提取关键句子等步骤，有效地实现了人类读者对多个长文档进行粗到细的理解行为。在 WikiHop 和 MedHop 等数据集上进行实验，与基线和现有模型相比，该模型取得了明显的验证结果和竞争优势。

    Jun, 2019

  • 寻址再问：透明的逐步推理用于多跳问答

    本文提出了一个解释性逐步推理框架，将单跳支持句子识别和单跳问题生成结合起来，并利用当前跳的推理来推导出最终结果。我们使用一个统一的读者模型进行中间跳推理和最终跳推理，并采用联合优化来实现更精确和稳健的多跳推理，取得了良好的实验效果。

    Aug, 2022

  • 通过问题分解实现复杂阅读理解

    提出了一种通过可训练的问题分解器将多跳阅读理解问题分解为多个子问题，再利用序列到序列的阅读理解模型预测答案的学习方法，能够使语言模型更好地理解复杂的、组合性的多跳问题，并在 DROP 数据集的一难子集上比基线模型分别提高了 7.2 / 6.1 绝对 F1 点。

    Nov, 2022