COLINGSep, 2022

ET5: 一种新颖的面向端到端的对话机器阅读理解框架

PDF
TL;DR提出了一种基于共享参数机制的端到端框架，称为 ET5，用于会话式机器阅读理解，可以在完整利用涉入推理信息的情况下实现跨步问答，并在 ShARC 数据集上达到了新的最优结果。
conversational machine reading comprehensionentailment reasoningend-to-end frameworkshared parameter mechanismsharc
发现论文，激发创造
  • 面向端到端的开放对话式机器阅读

    本文介绍了一种基于完全端到端的方式将开放检索对话式机器阅读（OR-CMR）建模为一个统一的文本到文本任务，并在 OR-ShARC 数据集上展示了其在两个子任务上的显著有效性和创新的最先进结果。

    Oct, 2022

  • 明确对齐与多对多蕴含的对话式机器阅读推理

    通过提出一种管道框架，将对话式机器阅读（CMR）中的文档与用户提供的信息进行明确对齐，使用轻量级多对多蕴含推理模块做出决策，并直接基于文档和之前的问题生成后续问题。我们的方法在微准确性上达到了最新水平，并在 CMR 基准数据集 ShARC 的公共排行榜上排名第一。

    Oct, 2023

  • 对话式机器阅读理解：文献综述

    本文综述了近期在对话机器理解方面最常见的趋势和方法，强调了处理对话历史的不同方法，并提供了一个综合框架，以指导未来对于 Conversational Machine Comprehension 的研究。

    Jun, 2020

  • 针对会话式机器阅读的粗到精推理显式记忆跟踪器

    本文提出了一种新的对话式机器阅读框架，采用新型的明确内存跟踪器来跟踪规则文本中已满足的条件，以及利用句子级蕴含度分数来加权计算令牌级分布，从而生成澄清问题，并在 ShARC 基准测试集上实现了新的最优结果。

    May, 2020

  • E3: 基于蕴含推理的对话机读取的提取和编辑

    本文提出了一个新的对话式机器阅读模型，它可以从程序化文本中抽取一组决策规则，同时推论哪些受对话历史所涵盖，哪些需要编辑以创建用户的问题，并在最近发布的 ShARC 对话式机器阅读数据集上达到了最新的最佳性能，释放了我们的模型和实验源代码。

    Jun, 2019

  • 多篇文档阅读理解的深度级联模型

    本研究提出一种深度串级学习模型来平衡在线问答系统的效能和效率之间的基本权衡，在多文档的 MRC 场景中取得更好的效果并能够在不到 50 毫秒内稳定地为数百万日请求提供服务。

    Nov, 2018

  • 开放式检索式对话式机器阅读

    本文提出并研究了对话式机器阅读的开放检索设置。在这种场景下，系统需要从一组规则文本中检索问题相关证据，并以对话方式回答用户的高级问题。我们提出了一个名为 MUDERN 的多段落语篇感知蕴涵推理网络，在我们创建的 OR-ShARC 数据集上实现了最先进的表现，超过了现有的单一段落和新的多段落对话式机器阅读模型。

    Feb, 2021

  • 教模型在理解文档后回答问题

    提出了一种两阶段知识蒸馏方法，通过将 MRC 任务分为两个单独阶段教导模型更好地理解文档，实验结果表明，使用该方法装备的学生模型具有显著的改进，证明了该方法的有效性。

    Jul, 2023

  • 使用组合性解释来教授机器理解

    本文提出了一种使用少量半结构化解释 “教” 机器阅读理解的方法，同时提取结构化变量和规则，并组成神经模块作为下游 MRC 模型的训练实例的注释，使用可学习的神经模块和软逻辑来处理语言变化并克服模型覆盖率不足。在 SQuAD 数据集上，使用 26 个解释进行监督训练，该方法实现了 70.14% 的 F1 得分，与使用 1100 个标记实例的普通监督学习相比，速度提高了 12 倍。

    May, 2020

  • 基于案例推理的机器阅读理解

    提出了一种基于 CBR-MRC 的精确且可解释的答案提取方法，其利用相似问题之间的语义相似性来预测问题的答案，并在 NaturalQuestions 和 NewsQA 数据集上都取得了较高的准确率。

    May, 2023