Apr, 2022

多跳问答与生成综述

PDF
TL;DR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。
question answeringmulti-hop qanlp systemsdatasetsmodels
发现论文，激发创造
  • 构建用于全面评估推理步骤的多跳问答数据集

    本研究创建了一个名为 2WikiMultiHopQA 的新的多跳问题回答数据集，使用结构化和非结构化数据生成问题 - 答案对，并提供包含推理路径的证据信息以提供预测的全面解释并评估模型推理技能。通过实验，我们证明了我们的数据集对于多跳模型来说具有挑战性，并确保需要使用多跳推理。

    Nov, 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

  • 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

  • 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

  • 无监督多跳问答通过问题生成

    本论文提出了 MQA-QG 框架，利用同质和异质数据源生成类人问答对数据，从而实现集成式自监督多跳 QA 模型训练，实验结果表明仅利用生成的数据即可训练出在 HybridQA 和 HotpotQA 数据集上分别达到监督学习性能 61% 和 83% 的多跳 QA 系统，同时利用生成数据进行预训练可以大大减少人工标注训练数据的需求。

    Oct, 2020

  • 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

  • 询问以理解：多跳问答问题生成

    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。

    Mar, 2022

  • 多跳推理数据集设计选择的理解

    本文研究两个新的数据集对于多跳推理问题，探究了句子分层模型和无标记版本中的伪相关性。结果表明，高绩效模型可能没有像以前想象的那样学到足够的多跳推理。

    Apr, 2019

  • 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

  • 多跳问题的性能预测

    我们研究了开放域多跳问题回答中查询性能预测的问题，提出了一种用于预测开放域多跳问题性能的新型预检索方法，通过对最大的多跳问题回答数据集进行广泛评估，我们证明了该模型是一个强大的性能预测器，优于传统的单跳查询性能预测模型，此外，我们展示了该方法可以有效地用于优化问题回答系统的参数，例如需要检索的文档数量，从而提高整体的检索性能。

    Aug, 2023