ACLMay, 2023

针对无答案对话问题生成的提问内容和提问方式建模

PDF
TL;DRSG-CQG 是一个用于回答无答案设置下如何生成与要求自然的对话的方法，它通过语义图和具有明确控制信号的分类器来解决 what-to-ask 和 how-to-ask 的挑战。同时，提出了新的评估指标 Conv-Distinct，并在实验中取得了最先进的表现。
发现论文，激发创造
  • GTM: 一种生成式三元模型用于对话问句生成

    提出了一种具有层次变化的生成模型，利用潜在变量在三个层次上表示三元组的共享背景，并在 PQ 和 QA 对中使用一对多的语义映射，以解决在开放领域中生成问题的相关问题，并在大规模 CQG 数据集上进行实验验证。结果表明，该方法在流畅度、连贯性和多样性方面显著提高了问题质量。

    Jun, 2021

  • CoHS-CQG：面向对话问答生成的上下文和历史选择

    本研究提出了一种名为 CoHS-CQG 的两阶段交谈问答生成框架，其中采用 CoHS 模块来缩短输入的上下文和历史，以优化对话对齐属性。该模型在 CoQA 的答案感知和答案不感知情况下均取得了最先进的性能。

    Sep, 2022

  • 通过动态多任务学习实现连续问题生成

    本文提出了 “连续问题生成” 任务，使用动态多任务框架生成逻辑相关的问题 - 答案对，全面考虑准确性、覆盖范围和信息量，并使用求精法（reranking）提高提问质量，提升 NLP 相关任务的效果。

    Nov, 2022

  • ChainCQG: 基于流感知的对话式问题生成

    本研究关注对话式问题生成作为一种产生训练和评估目的的合成对话的手段，并设计了 ChainCQG 作为一种跨多个对话回合学习问题 - 答案表征的系统，显著优于 SOTA 基线并能够生成各种类型的问题。

    Feb, 2021

  • 意犹未尽：基于疑问词的问题生成

    本文提出一种基于词性分析的问句生成模型 Interrogative-Word-Aware Question Generation（IWAQG），在 SQuAD 数据集上，相较于已有模型表现有了显著提升，成为了新的最优模型。

    Oct, 2019

  • 加强型动态推理在对话问句生成中的应用

    本文提出了一个新的任务 —— 对话式问题生成（CQG），研究了如何使用增强动态推理（ReDR）网络来生成针对给定文本和对话历史的问题，使用 QA 模型提供反馈，经过与各种基线和模型变量的比较得出新方法的有效性，并将其应用于 SQuAD 的多轮问答对话中。

    Jul, 2019

  • 通过摘要信息生成问题提高无监督问答

    本文提出一种基于无监督学习的问句生成方法，使用自由可得的新闻标题数据通过句法分析、命名实体识别和语义角色标注启发式技术转换成合适的问题，然后与原始新闻文章一起训练一个端到端的神经问句生成模型；通过在多项数据集上的实验证明，该方法生成的人工智能数据集用于训练问答模型，其性能远超过基于无监督学习的问答模型的现有成果。

    Sep, 2021

  • 在谈话式推荐中学习如何提出恰当的问题

    该研究提出了一种基于知识图谱的问答生成系统（KBQG），通过识别结构化知识图中最相关的关系，以更细的粒度建模用户偏好，进而生成个性化的解决方案，从而实现更准确的推荐。在真实数据集的实验中，该系统的表现优于现有的对话型推荐系统。

    May, 2021

  • 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

  • 向实体为中心的开放域问题生成提问

    我们引入一个称为 “实体中心问题生成”（ECQG）的新任务，旨在从实体的角度生成问题。为了解决 ECQG，我们提出了一个连贯的基于 PLM 的框架 GenCONE，其中包含两个新颖的模块：内容聚焦和问题验证。我们还构建了一个大规模的开放领域数据集，以支持这个任务。我们的大量实验证明，GenCONE 在生成高质量问题方面显著且一致地优于各种基线方法，而两个模块在此过程中是有效且互补的。

    Oct, 2023