Apr, 2023

针对医疗史采集的对话语境重新排序

PDF
TL;DR本文提出了一种两阶段的重新排序方法，通过使用对话上下文模型重新排序第一阶段问题的候选项来帮助弥合训练 - 推断差距，从而解决了由于现有系统使用间接数据或专家知识开发而导致的模型训练 - 推理鸿沟问题，并发现相对于专家系统，我们所提出的全局重新排序器结合转换器骨干的最佳性能，导致 30％更高的标准化折扣累积增益（nDCG）和 77％更高的平均精度（mAP）。
发现论文，激发创造
  • 面向任务的对话系统的上下文感知对话重新排序

    提出了一种上下文感知的对话响应重新排序系统，使用神经词嵌入模型和手工或逻辑回归模型，将响应在与当前对话上下文的匹配分数和候选人的概率分布的基础上重新排名，提高了最近提出的端到端任务导向对话系统在具有语音识别错误的实际对话中的性能。

    Nov, 2018

  • 利用潜在知识和对话上下文实现真实世界会话问答

    该论文提出了一种基于神经检索 - 阅读 (Retrieval-Reading) 系统和基于 TFIDF 的文本摘要技术来利用先前的谈话历史中的潜在知识的方法，以便更好地回答问题，并且实验证明该系统显著提高了回答质量。

    Dec, 2022

  • MEDIQA 2019：利用语言推理和问题蕴含的多任务学习进行答案过滤和重新排序的五边形模型

    本文介绍了一种在多任务设置中训练的端对端系统，使用任务特定的预训练模型作为深度特征提取器，以过滤和重新排列医学领域答案的方法来解决排名和大型文档分类等任务中输入大小限制和数据不足的问题，并在 ACL-BioNLP 研讨会 MediQA 问答共享任务上取得了 Spearman's Rho 为 0.338 和 Mean Reciprocal Rank 为 0.9622 的最高分数。

    Jul, 2019

  • 融合会话历史和候选来源进行上下文响应排序的对话系统中的 FCC

    本论文提出了一种灵活的神经网络框架，利用上下文信息从多个渠道进行整合来提高多轮对话响应排序的性能。在 MSDialog 数据集上的实验结果表明，我们的框架显著优于先前的最先进模型，提高 Recall@1 7％和 MAP 4％。

    Mar, 2023

  • 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

  • TU Wien @ TREC Deep Learning '19 -- 用于重排的简单上下文化

    本文介绍了使用 Transformer-Kernel 模型进行文档重排序的方法，并通过 TREC 2019 深度学习赛道的评价来表明其有效性。

    Dec, 2019

  • 上下文关注的文档排名和查询建议

    本文提出了一种上下文感知的神经排序模型，通过引入两级分层循环神经网络对查询、搜索任务进行搜索上下文表示的学习，并结合文档排序和查询建议两个伴随的检索任务来提高检索性能，并在循环状态的两个级别上引入注意力机制来识别搜索上下文和用户正在进行的搜索活动之间的可变依赖结构。通过丰富的实验比较以及深入的消融分析，证实我们所提出的方法对于建模搜索任务中隐藏的搜索上下文具有价值。

    Jun, 2019

  • 一个重新排序方案：用于集成大规模自然语言理解模型

    本研究提出了一种新颖的重新排名策略，改善自然语言理解系统（NLU）的性能，并维护了域特定的可拆卸性，增加了模型的校准性和交叉域性能。

    Sep, 2018

  • KG-Rank: 基于知识图谱和排序技术增强医学问答的大型语言模型

    本研究开发了一个增强的 LLM 框架 KG-Rank，利用医学知识图谱和排名技术，旨在改善医学领域中的自由文本问答。评估结果显示，KG-Rank 在 ROUGE-L 得分上取得了超过 18% 的改进，证明了 KG-Rank 的有效性和潜力。

    Mar, 2024

  • 部署检索为基础的任务导向对话响应模型

    本文提供了一种 3 步程序来开发满足业务要求的对话模型，包括从历史对话中创建模板、使用神经网络建立对话上下文和业务约束，以及通过自我监督和受训者的方法优化模型，并进行实验验证并在人机交互的环境中应用于商业对话。

    Oct, 2022