Oct, 2022

社区问答中的答案排序：一种深度学习方法

PDF
TL;DR本研究对社区问答的答案排名进行了深入的研究，基于大规模的 Stack Overflow 问题和回答数据，利用深度学习方法 (密集嵌入和 LSTM 网络) 进行预测和排序，提高了问答的准确度，但由于源码中大量的 oov 词汇，深度学习模型的性能提升由限制，未来应开发新的方法以解决该问题。
community question answeringanswer rankingdeep learningstack overflownatural language processing
发现论文，激发创造
  • 自然语言问答的进展：一篇综述

    该论文讨论了基于学习模型和深度学习方法的问答系统在处理语言多样性和动态性方面的成功和挑战。

    Apr, 2019

  • 社区问答任务中的学习排序特征工程

    在这项工作中，我们通过实证研究了社区问答论坛的几个方面，包括引入一种基于 BERT 的特征捕捉问题和答案的语义相似性、使用线性方式结合问题和答案特征、以及在 CQA 领域中采用迄今为止未使用过的排序学习算法等。在三个标准 CQA 数据集上，我们的提出的框架实现了最领先的性能，并分析了我们使用的特征的重要性。这项工作有望指导实践者在 CQA 检索任务中选择更好的特征集。

    Sep, 2023

  • 利用用户信息在问答网站中预测最佳答案

    本研究使用问题者的背景信息及其他特征，例如文本内容或者与其他参与者的关系，并利用 Stack Exchange 数据集进行训练，提出一种预测最佳答案的新方法，并且证明了用户间的关系对结果具有重要影响。同时，我们发现用户关系信息与文本特征和元特征（如时间差异）之间有较少的重叠。

    Dec, 2022

  • 通过学习排序回答问题 - 通过回答问题学习排序

    本文介绍了一种使用自注意力神经网络对维基百科等自然语言语料库中提取的文档进行语义排名的方法，并提出了一种模型，该模型使用了这种语义排名，能够在两个最流行的答题排行榜中名列第一，这两个排行榜分别是 ARC Easy 和 Challenge，我们还发布了排名的文档，以便它们可以被直接使用用于改进下游决策模型。

    Sep, 2019

  • 神经网络的答案序列学习 - 针对社区问答中的答案选择

    该论文提出一种基于循环体系结构的创新方法来解决社区问答中的答案选择问题。该方法首先使用卷积神经网络来学习问题 - 答案对的联合表示，然后将联合表示作为 LSTM 的输入来学习问题的答案序列，以标记每个答案的匹配质量。实验结果表明了我们方法的有效性。

    Jun, 2015

  • 从信息检索和深度神经网络角度的基于文本的问答：一项综述

    本文综述了传统信息检索方法和深度神经网络方法在文本问答任务中的应用，介绍了相关模型以及可供比较的数据集和文献结果。

    Feb, 2020

  • 用神经网络预测 StackOverflow 上的问题质量

    本文评估了神经网络模型以预测 Stack Overflow 上问题的质量，结果表明与基准机器学习模型相比，神经网络模型具有更高的准确性，并且发现神经网络模型的层数对其性能有显著影响。

    Apr, 2024

  • 应用深度学习进行答案选择研究和开放任务

    应用深度学习框架解决非事实类问答任务，在保险领域创建和发布了问答语料库，实验结果表明性能优于基线方法和其他技术，对于这个高度具有挑战性的任务，测试集的最高准确率可达到 65.3％，具有广泛的实用潜力。

    Aug, 2015

  • 在线健康专家问答服务的质量预测深度学习方法

    提出了一种基于深度置信网络的在线健康询问平台回答质量预测框架，该框架利用非文本特征和医生答案的高层语义表示来预测答案质量。

    Dec, 2016

  • RankQA：具有答案重新排序的神经问答模型

    RankQA 是一种新的神经问答模型，利用三阶段过程（检索、理解和重新排序）来自动回答问题，为后续基于内容的问答研究提供了有力的基线模型。

    Jun, 2019