EMNLPOct, 2022

使用压缩图选择网络在长文档问答中捕获全局结构信息

PDF
TL;DR本文提出了一种基于压缩图选择网络来捕捉全局结构的长文本问答模型，主要集中在长文档问答的证据选择阶段。通过本文的大量实验研究证明，该模型在两个数据集上优于以前的方法。
发现论文，激发创造
  • 基于图注意力网络的文档建模用于多粒度机器阅读理解

    本文提出了一种新的多粒度机器阅读理解框架，利用图注意力网络对文档的不同层次进行建模，以同时学习各个级别的表示，从而提取长答案和短答案并建模其之间的依赖关系，并通过联合训练来显著提高对两种类型答案的准确性。

    May, 2020

  • 长篇文档的分层问答

    基于强化学习和词向量，提出了一种可以高效处理长篇文档的问答框架，该框架结合了快速筛选相关句子和精读相关句子的策略，并在 Wikireading 的一个挑战性子集和一组新的数据集上实现了最新的性能，同时使模型的速度提高 3.5 倍至 6.7 倍。

    Nov, 2016

  • 探索基于图神经网络的图结构段落表示在多跳阅读理解中的应用

    通过新方法引入更多的全局证据来连接更复杂的图表，并使用图神经网络进行证据融合，从而提高了问题解答的效果。

    Sep, 2018

  • 基于文档图网络的多跳问答支持事实识别

    本文提出了文档图网络（DGN），一种用于识别文本的支持事实的消息传递架构，该架构基于图形式表达的文本结构表示。在 HotpotQA 的评估中，DGN 在多跳推理任务中获得了与基于阅读理解的基线模型相当的结果，证实了结构化表示对于支持多跳推理的相关性。

    Oct, 2019

  • 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

  • 利用本地知识图谱构建方法将 Seq2Seq 模型扩展到多文档输入

    本文提出一种构建基于本地图形结构化知识库的方法，该方法可以压缩网络搜索信息，并减少冗余，用于 open-domain NLP 任务中，通过将图形线性化为结构化输入序列，可以实现比使用检索的文本部分更好的性能，适用于长文本输入的生成任务，例如长篇问题回答和多文档总结。

    Oct, 2019

  • 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

  • 生成深度问题的语义图

    该论文提出了一种深度问题生成的方法，通过构建语义级别的图表达文档全局结构，利用注意力机制和图神经网络解码，达到最先进水平，在 HotpotQA 中获得优异表现。

    Apr, 2020

  • 用于多跳问答的层次图网络

    本文介绍了一种基于分层图网络的多跳问答模型，通过构建不同粒度层次的节点来聚合多个段落中分散的线索，使用预先训练的上下文编码器对节点进行初始化，通过图传播等方式更新节点表示并实现多跳推理，实验结果表明，该方法在 HotpotQA 基准测试中取得了新的最高水平，优于现有的多跳问答方法。

    Nov, 2019

  • 提升问题生成的上下文捕获能力

    本文旨在通过运用多阶段关注机制和序列到序列模型，在长文档的背景下产生更真实的问题，结果表明在 SQuAD、MS MARCO 和 NewsQA 三个问答数据集上，该方法优于现有方法。

    Oct, 2019