EMNLPOct, 2023

故事书的多样化强化叙事问题生成

PDF
TL;DR该研究使用多问题生成模型 (mQG) 从给定的上下文生成多样且可回答的问题，并通过 SQuAD2.0 fine-tuned 模型验证问题的可回答性，该模型在 FairytaleQA 数据集上训练和评估，并在 TellMeWhy 和 SQuAD1.1 数据集上进行了零 - shot 适应，显示出与强基线方法相比有希望的结果。
question generationmulti-question generation modelanswerabilitysquad2.0fairytaleqa dataset
发现论文，激发创造
  • 从儿童故事书中生成多样和有效的问答对

    本文提出一个 QAG 框架，通过生成不同的疑问句和隐式 / 显式答案，增强 QA 类型的多样性，该框架包括 QFS 基于答案生成器、迭代 QA 生成器和相关性感知排序器。

    Jun, 2023

  • 通过外部自然问题对知识库进行多样化问题生成

    我们提出了一种新的多样性评估度量，用于评估每个实例的前 K 个生成问题的多样性，并确保它们与事实相关。同时，我们引入了一个双模型框架，通过两种选择策略将外部自然问题与生成模型相结合，以生成多样化的问题。实验结果表明，我们的方法生成了高度多样化的问题，并改善了问题回答任务的性能。

    Sep, 2023

  • Multi-VQG：为多张图片生成引人入胜的问题

    本文提出基于多张图片生成引人入胜的问题的方法，所建立的 MVQG 数据集以及基于端到端和双阶段体系结构的一系列基线模型表明，建立图像序列背后的故事能够使模型生成更有趣的问题。

    Nov, 2022

  • 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

  • 对比学习实现的闭卷问题生成

    本文提出了一种新的封闭式问答模型，旨在通过对比学习和答案重构模块更好地理解长形式摘要回答的语义并在其参数中存储更多信息，通过实验验证了该模型在公共数据集和新的 WikiCQA 数据集上的有效性，并展示了如何利用该模型改进现有的问答系统。

    Oct, 2022

  • 问题生成的合成上下文生成

    通过使用大规模语言模型生成的合成上下文进行训练，研究表明，虚拟上下文在问句生成中具有类似实际上下文的效果，为未来该领域的进一步发展铺平了道路。

    Jun, 2024

  • 解决半监督问答中的语义漂泊问题

    本研究提出了一种基于语义加强的奖励机制和基于 QA 的评估方法，用于解决问题生成中的语义漂移问题，并解决传统评价指标不足的问题，同时提出了两种合成 QA 对的方法，有效的用于半监督 QA 学习中。

    Sep, 2019

  • 评估问题生成需要更多参考文献

    提出使用 GPT-3 等大型语言模型来进行问题生成并采用多个（伪）参考答案进行评估，以更全面地评估 QG 技术潜力的方法。实验结果表明，使用多个参考答案进行 QG 评估比使用单个参考答案更为有效，并且更能与人类评估相符合。

    May, 2023

  • EQG-RACE: 考试题类型的问题生成

    本研究提出一种基于 RACE 数据集的创新型考试问答生成方法 (EQG-RACE)，其利用了答案导向的图卷积网络来增强问答输入的表示，解决了已有问答生成技术中存在的因来自 Web 的偏向性和不自然语言 sources 导致的问题。实验结果表明 EQG-RACE 性能卓越，为后续相关研究提供了新的基准。

    Dec, 2020

  • AI 向人类提问：儿童故事书问答生成

    我们设计了一种教育应用的问答生成自动化系统，可以为幼儿园到八年级的阅读材料生成测试学生理解能力的问题与答案对，并在自动评估和人工评估中证明其优于当前先进的问答生成基线系统。同时，我们还在此基础上开始构建一个交互式的故事讲述应用程序，用于未来在教育领域的实际部署。

    Sep, 2021