面向端到端的开放对话式机器阅读
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。
Sep, 2022
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
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
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
本文提出了一种对话图建模框架,通过 Discourse Graph、Decoupling Graph 和 Global Graph 三种图来提高机器对复杂问题的理解和推理能力,实现基于给定的规则文档、用户场景和对话历史的交互问答。
Dec, 2020
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
本文提出一种名为 ORConvQA 的交互式检索问答方法,通过基于 Transformers 的检索器、排序器和阅读器,实现在大规模语料库中检索答案并提取答案以构建功能性的交互式检索系统,并创建了 OR-QuAC 数据集以促进 ORConvQA 的研究。实验证明可学习的检索器对 ORConvQA 至关重要,在所有系统组件中启用历史建模可以显著提高系统性能,排序器组件提供了正则化效果并有助于模型性能的提升。
May, 2020
本篇论文提出了第一个中文对话阅读理解基准 Orca,并提供了零样本 / 少样本设置来评估模型的领域通用能力,包含社交媒体平台上 33 个领域的 831 个热门话题驱动的对话,并实现了三个强基线模型来解决 Orca 中的挑战。
Feb, 2023
本研究提出一种简单而有效的方法,通过使用监督多任务学习,将 IR 和 RC 任务结合起来,以考虑答案跨度来训练 IR 组件,实现大规模机器阅读,从而取得了最先进的表现。
Aug, 2018