Nov, 2022

针对芬兰语的问答和问题生成

PDF
TL;DR本文介绍了使用现代神经模型进行问答系统和问生成任务的最新研究成果，并首次将其用于芬兰语语言处理任务，通过自动翻译 SQuAD 数据集并使用规范化方法减少问题数据，我们成功训练出了一系列的 transformer-based 模型，实现了问答系统和问生成任务，是芬兰语 QA/QG 资源研究的首次尝试，同时为芬兰语问答领域确立了初步基准。
language modelingquestion answeringquestion generationfinnishneural models
发现论文，激发创造
  • 段落级问题生成的生成式语言模型

    通过引入 QG-Bench，这是一个多语种，多域基准，对现有的问答数据集进行转换，提出了鲁棒的 QG 基准和基于精细调整的生成语言模型，并对其进行了有效性和适应性分析。

    Oct, 2022

  • 自动问题生成的跨语言训练

    研究了如何使用在次语言上的问题生成数据集来学习主要语言的问题生成模型，提出了一种跨语言问题生成模型的联合训练方法，使用 Hindi 和中文两种主要语言的数据集进行实验，获得了理想的效果，并创建并发布了一个新的 Hindi 问答数据集。

    Jun, 2019

  • 将多语言模型应用于问答（QA）

    研究单语和多语言语言模型在英语、芬兰语和日语问答任务中的表现，并开发用于判断问题是否可回答和标识上下文中答案的模型，并尝试评估预训练的多语言编码器（Multilingual BERT）在跨语言零 - shot 学习中的效果。

    Dec, 2022

  • FairytaleQA 翻译：在资源有限的语言环境中实现教育问题和回答生成

    通过机器翻译的方式，我们将著名的 QA 数据集 FairytaleQA 转化为其他语言，为了评估和提升儿童对于叙事理解的能力，我们利用经过微调的中等规模模型建立了这些翻译数据集的问答生成和问答任务基准，并通过质量度量标准如问题形式正确性、可回答性、相关性和适合儿童的度量对模型进行评估，同时优先考虑量化和描述错误案例，并提供未来工作的方向。本研究推动了少资源语言中 QA 和问答生成研究的进展，促进了阅读理解模型的开发中的可访问性和包容性。

    Jun, 2024

  • 将问答与问题生成视为对偶任务

    本论文针对问题回答和问题生成两个任务之间内在联系，提出一个联合训练框架，使用序列到序列模型和循环神经网络模型，通过概率相关性指导训练过程来提高两个任务的性能，实验证明该框架能够显著提高问题回答和问题生成两个任务的表现。

    Jun, 2017

  • 多语言问答生成的实用工具包

    本文介绍了一种多语言的问答生成模型 AutoQG 及其 Python 包 lmqg，模型基于预训练的 encoder-decoder 语言模型，在 8 种语言上 fine-tune，并提供了一个 web 界面和易于使用的代码，方便从业者使用和定制。

    May, 2023

  • 基于合成数据训练生成型问答模型

    通过使用一种简单且经济高效的方法来合成数据以训练问答系统，本文提供了一种在资源丰富的英语等语言中常用的微调 GPT 模型的培训方法，并提出了一种零样本或少样本情况下使用指导调优模型生成 QA 对的方法，并通过实验比较了从指导调优模型获得 QA 对的各种策略，结果表明，使用我们提出的合成数据训练的模型能够达到与手动策划数据集训练的模型相当的性能，而无需付出人力成本。

    Oct, 2023

  • 利用 Transformer 语言模型简化段落级问题生成

    Question generation is a natural language generation task that can be achieved with a single Transformer-based unidirectional language model, which outperforms QG baselines and produces high-quality questions that are relevant to their context paragraph and easy to answer, utilizing transfer learning without relying on auxiliary data.

    May, 2020

  • 走向更加公平的问答系统：需要多少更多的数据？

    本研究探讨如何通过自动翻译和排列组合技术将已有的数据资源应用到多语种的问答系统中，并进行深入分析和提出未来数据集开发的建议，以提高多语种问答系统的覆盖面。

    May, 2021

  • 应用答案生成进行跨语言开放领域问答

    本文介绍了 GenQA 方法，将其扩展到跨语言环境下的 GenTyDiQA，并通过利用多种语言的段落设计了一个跨语言生成模型，优于所有 5 种语言的答案选择基线和 3 种中文的生成管道。

    Oct, 2021