May, 2022

基于机器学习方法的句子结构分析自动生成问题

PDF
TL;DR本文介绍了我们使用传统语言学方法和多种机器学习技术生成英语非结构化文本问句的框架，并且加入了问题评估模块，最终证明我们的生成问题质量优于其他最好的系统，并且与人类创建的问题相当。
automatic question generationnatural language processingmachine learningquestion evaluationstate-of-the-art systems
发现论文，激发创造
  • 学会提问：神经网络阅读理解问题生成

    该研究采用基于注意力机制的序列自学习模型进行阅读理解中基于句子的自动问题生成，相比于之前的工作，该模型不依赖于手工规则或复杂的自然语言处理技术，并在人工和自动评估中都呈现出更加自然和困难的问题。

    Apr, 2017

  • 基于文本的神经问答生成：初步研究

    本研究提出了一种基于神经编码器 - 解码器模型的自动问题生成方法，可以根据给定的段落生成多样化、有意义的问题并利用 SQuAD 数据集进行了初步实验研究，实验结果显示该方法可以产生流畅且多样化的问题。

    Apr, 2017

  • 自动话语生成

    本文提出了一种使用提取式摘要、多种换句技术和新颖的候选句子选择算法生成相关对话语句的系统来解决对话代理机器人中问答环节重要性的问题。

    Apr, 2020

  • 我不理解我不能定义的事物：基于教育驱动内容选择的自动问题生成

    文章探讨了如何使用基于学习理论的自动提问生成器来生成能够提升教材阅读理解的问题，通过教育专家的实验评估，结果表明生成的问题语言质量高，并且询问了与给定文本相关的中心信息，在特定学习场景中可以促进阅读理解。

    Oct, 2021

  • 多项选择题生成：面向自动化评估框架的发展

    本文提出一种多选题智能生成系统，利用预训练的语言模型，根据规定的性能指标，通过读取理解语料库来生成语法准确，具有可回答性、多样性和复杂性的问题及选项。

    Sep, 2022

  • 自动问答系统的比较性实验研究及其对抗词语混淆的鲁棒性

    使用自然语言处理模型进行问答生成在我们周围是非常普遍的。它在许多用例中被使用，例如构建聊天机器人，在谷歌搜索中提供提示以及作为银行移动应用程序中的信息导航方式等。我们的研究主要调查通过人类生成的数据对模型性能的影响。

    Nov, 2023

  • 通过生成问题和答案对自动化阅读理解

    本文提出一种基于神经网络的两阶段机制来生成问题 - 答案对，第一阶段采用 Pointer Networks 编码句子中的关键答案，第二阶段采用序列到序列模型生成问题，最终采用全局注意力和答案编码生成最相关的问题。实验结果表明我们的方法在生成问题的质量上显著优于现有方法，是自动阅读理解评估的又一步。

    Mar, 2018

  • 仿人类提问：基于文本语料库的可扩展问答生成

    本文提出了一种名为 ACS-QG 的问题生成系统，使用信息抽取、神经网络生成器和质量控制器自动生成高质量、多样化的问题 - 答案对，该系统超越了现有神经网络问题生成模型，并能从较少的数据中生成 280 万个高质量的问题 - 答案对。

    Jan, 2020

  • ParaQG: 从段落生成问题和答案的系统

    本文介绍了 ParaQG, 一种基于序列到序列技术的 Web 服务，通过交互式界面，从句子和段落中生成问题，并利用多种分组和过滤技术使生成问题的过程用户友好化。

    Sep, 2019

  • 通过文本到文本神经问题生成的机器理解

    本文提出了一种基于递归神经网络的模型，可以根据答案生成自然语言问题，并介绍了一种使用监督学习和强化学习相结合的方式对模型进行训练，然后通过策略梯度技术微调模型以最大化几个衡量问题质量的奖励，其中一个奖励是一个问题回答系统的表现，并通过最近的问答数据集 SQuAD 对模型进行了训练和评估。

    May, 2017