May, 2022

QASem 解析：基于 QA 语义的文本到文本建模

PDF
TL;DR该论文研究了使用问答的方式表示语义关系，并从三个任务的角度分析了如何最好地利用 seq2seq 预训练语言模型的威力。最终提出了一个综合文本信息的模型，并发布了具有实用性的 QASem 分析工具。
semantic relationsqa-based semantic taskssequence-to-sequence pre-trained language modelsmultitask learningqasem parsing tool
发现论文，激发创造
  • 语义抽象的全局推理问答

    提出了一种利用文本的语义结构来回答多项选择题的新方法，将 QA 转化为一种满足某些全局和局部特性的最优子图的搜索问题，在科学 QA 数据集上表现良好。

    Jun, 2019

  • 用于问答系统中语义检索的多任务句子编码模型

    本文提出了一个多任务句子编码模型 (MSEM) 用于 Paraphrase Identification（PI）问题。我们使用连接图表示句子之间的关系，并应用多任务学习模型来解决句子匹配和意图分类问题。此外，我们实现了一个通用的语义检索框架，结合了我们提出的模型和近似最近邻（ANN）技术，可以在在线服务中快速地找到最相似的问题。实验结果表明，我们提出的方法与现有的句子匹配模型相比具有优越性。

    Nov, 2019

  • 基于语义解析的知识库问答

    本综述探讨了基于知识库的问题回答（KBQA）的两个独特挑战，并综述了现有 KBQA 方法的解决方法，其中建议通过深度学习领域的语义分析研究成果，解决当前 KBQA 研究遇到的瓶颈，特别是在预训练语言模型的时代。

    Sep, 2022

  • 神经机器翻译用于查询构建和组合

    本论文研究了使用神经机器翻译范式进行问题解析的应用，采用序列到序列模型来学习 SPARQL 图查询语言及其组合中的图形模式。通过模板构建问题和查询之间的对齐情况，探讨半监督学习方法代替问题 - 答案对诱导程序，并且借助自然语言生成的新进展扩展语言表达的覆盖范围。

    Jun, 2018

  • 大规模 QA-SRL 解析

    我们提出了一个新的大规模的 QA-SRL 语义角色标注语料库和第一个高质量的 QA-SRL 解析器，包括超过 250,000 个问题 - 答案对和 64,000 个句子，通过一种新的众包方案收集，我们证明该方法具有高精度和良好的回忆率，并基于神经模型进行了两个 QA-SRL 子任务，最佳模型在全流水线 QA-SRL 预测任务上分别达到 82.6% 和 77.6% 的问题准确率和范围级准确率（在人工评估下），并且可以用于低成本的附加注释。

    May, 2018

  • 基于语义的无监督常识问答方法

    本文提出了一种新颖的基于语义的问题回答方法 (SEQA)，该方法使用生成模型先产生一组可能的答案，然后基于这些可能的答案和问题在语义上的相似性来选择正确的答案。该方法在无监督的情况下，通过对四个基准数据集的实验验证了其有效性和健壮性，并取得了最佳结果。

    May, 2021

  • 采用句子级语义匹配和答案位置推断来改善问题生成

    本文提出了一个能够改进问题生成中的关键词生成和全局问题语义缺失问题的神经问题生成模型，并且利用了句子级别的语义匹配和答案位置推断功能，并运用了基于答案感知的门控融合机制来增强解码器的初始状态，结果表明我们的模型在 SQuAD 和 MARCO 数据集上领先于现有的最先进模型，同时还对现有模型进行了显著改进。

    Dec, 2019

  • 通过子部分对齐实现鲁棒的问答

    提出一种将问题回答建模为一种对齐问题的结构支持向量机方法，通过将问题和上下文分解成基于语义角色的单元，并将问题与上下文的子图进行对齐以找到答案，该模型可用于跨领域问题回答，且通过对齐得分派生出的限制使模型更加鲁棒。

    Apr, 2020

  • 解决半监督问答中的语义漂泊问题

    本研究提出了一种基于语义加强的奖励机制和基于 QA 的评估方法，用于解决问题生成中的语义漂移问题，并解决传统评价指标不足的问题，同时提出了两种合成 QA 对的方法，有效的用于半监督 QA 学习中。

    Sep, 2019

  • 通过混合问题解析和执行回答文本中的复杂问题

    提出了一个结合神经网络和符号方法的问题解析和执行框架，在 MuSiQue、2WikiQA、HotpotQA 和 NQ 等数据集中表现出优异的性能，同时高效的暴露了它的推理过程。

    May, 2023