Mar, 2022

询问以理解：多跳问答问题生成

PDF
TL;DR本文提出了一种基于问题生成的新型多跳问答方法，通过精心设计端到端的 QG 模块，在上下文理解中提出内在逻辑子问题，从而继承了 QD 方法的可解释性并表现出较高的性能。实验证明，我们提出的 QG 模块是有效的，在流畅性、一致性和多样性方面优于 QD 方法，并获得了人工评估的定量可解释性。
发现论文，激发创造
  • 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

  • QA4QG：使用问答技术约束多跳问题生成

    本研究提出了一种 QA4QG 方法，通过加入多次问答（QA）模块来限制生成问题。实验结果显示，QA4QG 在 HotpotQA 数据集上优于所有先前报告的最佳结果。

    Feb, 2022

  • 使用图卷积网络进行多跳问题生成

    我们提出了一种多跳编码融合网络（MulQG）来解决多跳问题生成中的挑战，该方法使用图卷积网络进行多次上下文编码，并通过编码门实现编码融合，没有使用任何句级别信息，实验结果表明我们的模型在自动指标和人类评估中都有较好的表现。

    Oct, 2020

  • 用于多跳问答的层次图网络

    本文介绍了一种基于分层图网络的多跳问答模型，通过构建不同粒度层次的节点来聚合多个段落中分散的线索，使用预先训练的上下文编码器对节点进行初始化，通过图传播等方式更新节点表示并实现多跳推理，实验结果表明，该方法在 HotpotQA 基准测试中取得了新的最高水平，优于现有的多跳问答方法。

    Nov, 2019

  • 理解并改善生成式问答中的零样本多跳推理

    本文研究发现，生成式问答模型的多跳推理能力非常有限，但可以通过训练拼接单跳问题或逻辑形式的方式进行改进。

    Oct, 2022

  • 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

  • 基于层次结构的图注意力多跳问答

    本研究针对 HotpotQA 基准数据集，提出了两种扩展方式来改进基于 GNN 的 HGN 模型，包括在节点之间引入新的边缘，以及在图传播步骤中，扩展了一种名为 GATH 的嵌套图注意力机制，并且实验证明了这些改变能够有效提升模型的效率和能力。

    Jan, 2023

  • 多跳问答与生成综述

    本文提出了一个多跳问题回答（Multi-Hop QA）的具体与形式化定义，并对现有的 Multi-Hop QA 框架进行了组织和总结，同时介绍了创建多跳问题回答数据集的最佳方法，以系统全面地介绍这个有趣而具有挑战性的任务。

    Apr, 2022

  • 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

  • 基于文档图网络的多跳问答支持事实识别

    本文提出了文档图网络（DGN），一种用于识别文本的支持事实的消息传递架构，该架构基于图形式表达的文本结构表示。在 HotpotQA 的评估中，DGN 在多跳推理任务中获得了与基于阅读理解的基线模型相当的结果，证实了结构化表示对于支持多跳推理的相关性。

    Oct, 2019