Feb, 2024

FAQ-Gen: 自动生成特定领域的常见问题解答以帮助理解内容

PDF
TL;DR通过开发一种利用文本到文本转换模型的端到端系统，本文研究了常见问题解答（FAQ）的生成作为一项明确定义的自然语言处理（NLP）任务，并且通过对传统问答系统的文献综述提出了我们的系统，能够根据特定领域的文本内容构建相关的 FAQ，提高准确性和相关性。我们利用自定义算法获取信息的最佳表示形式并对问题 - 答案对进行排名，以提高人类理解能力。定性人体评估显示生成的 FAQ 构思良好，易读，并利用特定领域的构造来突出原始内容中的领域差异和行业术语。
发现论文，激发创造
  • 自动 FAQ 生成

    从 Stanford 哲学百科网站获取的大量文本文档中提取突出的问题和相应的答案，使用现有的文本摘要、文本排序和问题生成工具创建初始的问题和答案集合，通过人工评估得出平均参与者认为 71% 的问题具有意义。

    May, 2024

  • 通过对话问答访问特定领域的常见问题解答

    使用 Wizard of Oz 的方法结合众包技术，从三个 Stack Exchange 网站收集了 2437 组对话和 10917 个问答信息，构建了 DoQA 数据集，为 FAQ 站点中的大量领域特定信息构建了面向对话的问答（QA）界面，并介绍了更多的实际检索信息场景，取得了良好的性能。

    May, 2020

  • 自动问答系统的比较性实验研究及其对抗词语混淆的鲁棒性

    使用自然语言处理模型进行问答生成在我们周围是非常普遍的。它在许多用例中被使用，例如构建聊天机器人，在谷歌搜索中提供提示以及作为银行移动应用程序中的信息导航方式等。我们的研究主要调查通过人类生成的数据对模型性能的影响。

    Nov, 2023

  • 基于机器学习方法的句子结构分析自动生成问题

    本文介绍了我们使用传统语言学方法和多种机器学习技术生成英语非结构化文本问句的框架，并且加入了问题评估模块，最终证明我们的生成问题质量优于其他最好的系统，并且与人类创建的问题相当。

    May, 2022

  • 生成 - 检索：面向意图的产品搜索问答检索

    通过建立一个意图感知的 FAQ 检索系统，实现在产品搜索中集成 FAQ 检索，提高用户购买决策和购后支持满意度。

    Jun, 2023

  • 跨任务和领域的技术问答

    本文提出了一种基于深度迁移学习的可调节联合学习方法，以有效地解决技术问答中的文档检索和阅读理解任务，并在 TechQA 上进行了实验验证，相较于现有方法表现更为优越。

    Oct, 2020

  • 使用查询 - 问题相似度和基于 BERT 的查询 - 答案相关性进行 FAQ 检索

    提出了一种基于未监督信息检索和 BERT 模型的 FAQ 检索系统，用于回答用户的查询，该系统通过计算用户问题和问题之间的相似度以及问题和答案之间的相关性来检索数据。该系统在两个数据集评估中表现出了优异的性能表现。

    May, 2019

  • 评估问答系统：评判自然语言的复杂性

    本文针对问答系统的发展历程、评估指标及其相应的理论框架进行综述，并探讨了相关的评估方法和数据集。

    Sep, 2022

  • 探索法律问答系统的最新技术

    该研究旨在解决法律问答的问题，提供包括 14 个标准数据集和基于深度学习的法律问答模型在内的全面调查。该研究重点讨论了面临的挑战和不足，以及使用的不同方法和技术。

    Apr, 2023

  • 无需问题示例的开放领域澄清问题生成

    通过提出一个视觉基础的问题 - 回答模型框架，使用期望的信息量增益优化来产生极性澄清问题以消除人机对话中的误解，从而展示了该模型在目标导向的 20 个问题游戏中与人工回答者一起提出的问题如何提高交流成功率。

    Oct, 2021