Jun, 2022

GAAMA 2.0: 一个集成系统，用于回答布尔和摘要问题

PDF
TL;DR该研究提出了一个多语言机器阅读理解系统并提供了前端演示，可以处理布尔值问题并提供支持证据和突出答案，也可以处理抽取式问题，通过突出显示段落中的答案来回答问题，该系统利用两种不同的实现方式，一种包括几个独立的 transformers 堆栈，另一种是使用适配器的单个 transformer 堆栈。该系统为 tydi QA 排行榜上的第一名。
machine reading comprehensionboolean questionsextractive questionsmultilingual systemtransformers
发现论文，激发创造
  • 科学审核器：用于科学事实核查的抽取式布尔问答

    本文提出了一种基于多任务学习的科学问题验证方法，该方法结合了信息概括、布尔问答、提取式问题回答和语义理解技术。该方法在欧洲 PMC 的 300 万篇医学和健康领域 OA 文章上，在 BERT 和 RoBERTa 问答模型的实验中，实现了 4％的平均误差率和 95.6％的 F1 分数。

    Apr, 2022

  • AnswerQuest: 从多段落文档生成问题答案项目的系统

    一种促进阅读理解的策略是以问答形式呈现信息。我们展示了一个集成了问答和问题生成任务的系统，用于生成传达多段文档内容的问答项。我们报告了一些 QA 和 QG 的实验结果，并评估了它们如何相互作用以产生文本的 Q&A 列表。该演示可在 qna.sdl.com 上访问。

    Mar, 2021

  • 全局归一化阅读器

    通过迭代式搜索及全局归一化决策的神经网络，提出了可提取答案的问答系统并进行了数据增强及实验优化。

    Sep, 2017

  • 高考历史挑战赛中的一次性问题回答学习

    本研究提出了一种基于深度学习的问题 - 答案模型，采用协作门控神经网络协助神经图灵机标注器检索答案，并在历史考试的数据集上取得了较好的成果，相比各种神经模型基准，在多项评估指标上实现了实质性的性能提升。

    Jun, 2018

  • CommonsenseQA 2.0：通过游戏化揭示 AI 的局限性

    本研究提出以益智游戏为框架进行数据构建来解决自然语言理解模型面临的问题，使用这种方法构建出包含 14,343 个 yes/no 问题的 CommonsenseQA 2.0，该数据集对比现有的深度学习模型难度更大（例如 T5-based Unicorn，精度达到 70.2%，而 GPT-3 只有 52.9%），但与人类表现相差甚远（94.1%）。

    Jan, 2022

  • MixQG: 混合答案类型的神经网络问题生成

    本文提出了一个名为 MixQG 的神经问题生成器，通过结合 9 个问题回答数据集来训练单一的生成模型，该模型在不同的认知水平中可以产生具有不同类型答案的问题，经实验证明在已知和未知领域中均表现出优越性。

    Oct, 2021

  • 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

  • 事件提取作为问题生成和回答

    本文提出了 QGA-EE 模型，利用动态模板和问题生成技术有效处理事件提取任务中的多个参数、上下文信息和固定模板的问题，优于之前的单一任务模型，并在 ACE05 英语数据集上取得了最好的表现结果。

    Jul, 2023

  • 基于分层图神经网络的组合式问答

    本研究提出了一个包含超过 120k 个人工标注问题的大规模组合式问答数据集，回答在此数据集上的问题需要组合文档中的若干段落来生成最终答案。本文针对该问题提出了一种基于图神经网络的层次预训练模型，并在预训练和机器阅读理解领域中取得了巨大的提升。

    Jan, 2021

  • 机器阅读理解中的双向问答网络

    该论文提出了一种新颖的双向神经序列转换模型，能够同时学习阅读理解中的三种知识输入方式，即问题、答案和上下文，并通过分层注意力过程对不同形态之间的交互信息进行捕捉和建模。该模型在四个公开数据集上的表现优于其他同类神经网络模型，尤其在问题回答和生成双方面具有更广泛的应用前景。

    Sep, 2018