AAAIDec, 2021

最佳兩者：使用陳述性事實的多跳解釋的混合方法

PDF
TL;DR本研究提供了一种将快速的句法方法与强大的语义方法相结合的模型，以生成多跳解释，并在语言模型微调的过程中对解释链进行了重新排序，从而在可靠性和效率之间找到了平衡。
ai systemsmulti-hop questionsevidence-based answerssyntactic methodssemantic methods
发现论文，激发创造
  • 面向科学问题的基于统一的多跳解释重构

    该论文提出了一个新的框架，用于在科学问答中重建多跳解释，并通过语料库分析集成词汇相关性和统一能力来排名一组原子事实。该框架具有与 Transformer 相媲美的结果，同时速度更快，可以支持大型解释语料库，并且构建的解释可以帮助下游 QA 模型，从而提高 BERT 整体的准确性。

    Mar, 2020

  • 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

  • 利用结构化信息进行可解释的多跳问题回答和推理

    构建和利用语义结构的多跳问题回答框架，通过神经模型和连续思维机制提高推理能力，并结合信息抽取和提取的语义结构实现更准确和可解释的问题回答。

    Nov, 2023

  • 使用软提示和随机游走触发语言模型中的多跳推理以进行问答

    本文提出通过结构化知识图谱中的随机游走来指导语言模型完成多跳推理，从而有效解决语言模型在问答任务中组合多条逻辑事实的限制，并在两个 T5 语言模型上取得了显著的实验效果提升。

    Jun, 2023

  • 生成式多跳问答任务的常识推理

    通过提出一种选择基于概念网络的常识信息和一种选择性门控的多头注意力机制，本文提出了一种生成式模型，用于解决阅读理解 QA 任务中的多跳关系抽取问题，并在 NarrativeQA 数据集上创造新的最先进结果。

    Sep, 2018

  • 用于可解释性多跳科学问题回答的动态语义图构建和推理

    提出一种基于抽象意义表示（AMR）的语义图构建方法及推理模型，能够有效地检索更多有效的知识事实以填补知识空白，并在多次推理过程中提高推理透明度。该模型在两个科学多次问答数据集中得到了最新成果，包括那些使用附加知识图谱的方法，在保持 OpenBookQA 高可解释性的同时，实现了 ARC-Challenge 新的最佳结果。

    May, 2021

  • 基于推理链的多跳问答

    该论文提出了一种在多步问题回答中维护显式推理过程的方法。该方法提取一个离散的推理链，并将其提供给一个基于 BERT 的 QA 模型来进行最终答案预测。我们的方法在两个近期提出的大型多跳问题回答数据集 ——WikiHop 和 HotpotQA 上进行了测试，并取得了令人瞩目的成果。

    Oct, 2019

  • 规模化多跳阅读理解的认知图

    本文提出了一种新的 CogQA 框架，用于在 Web 规模文件中进行多跳问题回答。该框架通过协调隐式提取模块（系统 1）和显式推理模块（系统 2）逐步构建认知图。我们的实现基于 BERT 和图神经网络，可高效地处理 HotpotQA fullwiki 数据集中的数百万文档，从而实现在榜单上的胜利。

    May, 2019

  • 多跳问答系统是否知道如何回答单跳子问题？

    本文研究了多跳问题回答的模型，调研表明多个现有的多跳 QA 模型无法准确回答子问题，说明其只是通过一些简单的线索来回答问题，而非真正理解推理路径，同时，本文提出的神经解析模型能显著提高子问题的回答性能，推动了向可解释的多跳 QA 系统的建设迈进。

    Feb, 2020

  • 强化多任务方法用于多跳问题生成

    使用多任务学习和强化学习的方法，通过支持事实的多次跳转生成相关问题，相比于单次跳转模型，我们的模型在 HotPotQA 数据集上表现更好（同时在自动评估指标如 BLEU、METEOR 和 ROUGE 以及人工评估指标中都有着更高的质量和覆盖率）。

    Apr, 2020