Oct, 2023

明确对齐与多对多蕴含的对话式机器阅读推理

PDF
TL;DR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。
发现论文，激发创造
  • ET5: 一种新颖的面向端到端的对话机器阅读理解框架

    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

  • 面向端到端的开放对话式机器阅读

    本文介绍了一种基于完全端到端的方式将开放检索对话式机器阅读（OR-CMR）建模为一个统一的文本到文本任务，并在 OR-ShARC 数据集上展示了其在两个子任务上的显著有效性和创新的最先进结果。

    Oct, 2022

  • 针对会话式机器阅读的粗到精推理显式记忆跟踪器

    本文提出了一种新的对话式机器阅读框架，采用新型的明确内存跟踪器来跟踪规则文本中已满足的条件，以及利用句子级蕴含度分数来加权计算令牌级分布，从而生成澄清问题，并在 ShARC 基准测试集上实现了新的最优结果。

    May, 2020

  • 对话图建模：用于会话式机器阅读的方法

    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

  • 开放式检索式对话式机器阅读

    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

  • E3: 基于蕴含推理的对话机读取的提取和编辑

    本文提出了一个新的对话式机器阅读模型，它可以从程序化文本中抽取一组决策规则，同时推论哪些受对话历史所涵盖，哪些需要编辑以创建用户的问题，并在最近发布的 ShARC 对话式机器阅读数据集上达到了最新的最佳性能，释放了我们的模型和实验源代码。

    Jun, 2019

  • 平滑对话状态的开放式会话机器阅读

    本文探讨了一种使用门控策略将判断和问题生成结合在一起的对话系统模型，该模型在 OR-ShARC 数据集上实现了新的最先进结果。

    Aug, 2021

  • 多篇文档阅读理解的深度级联模型

    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

  • 对话式机器阅读理解：文献综述

    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

  • 利用答案选择之间的自然语言关系进行机器理解

    本文介绍了一种通过利用自然语言关联性来提高机器的阅读理解性能的方法：使用独立的问答系统进行问答任务和自然语言推理系统对选择对之间的关系进行分析，然后通过基于整数线性规划的关系框架进行推理，提高独立问答系统的决策能力。此外，本方法还提出了一个多任务学习模型。

    Dec, 2020