Apr, 2024

应该回答哪些问题？探究性问题的显著性预测

PDF
TL;DR本文介绍了一个针对好奇性问题的显著性预测器 QSALIENCE，该预测器通过我们的数据集进行指导调整，数据集中有 1766 个语言学注释的显著性得分（上下文，问题），并展示了高显著性问题在同一文章中更有可能得到回答，从而将潜在问题与讨论中的问题联系起来。此外，通过展示回答显著性问题是新闻摘要质量的一个指标，进一步验证了我们的发现。
发现论文，激发创造
  • 针对高层次文本理解的好奇心问题生成

    介绍了 INQUISITIVE 数据集，该数据集包含～19,000 个问题，是读者在阅读文档时 elicited 的。与现有数据集相比，INQUISITIVE 的问题更加注重文本的高层（语义和话语）理解，并根据基于 GPT-2 的问题生成模型评估了该任务的挑战性，强调了上下文对生成 INQUISITIVE 问题的重要性。

    Oct, 2020

  • 何为好奇性问题？—— 一项类型控制的好奇性问题生成研究

    提出一种基于类型控制的问句生成框架，可以通过源文本中的关键词生成符合特定类型的多样的问题，并探索使用专家标注进行的排序器的选定策略，在自动和手动评估中得到了强大的结果。

    May, 2022

  • 信息查询问答中的挑战：无法回答的问题和段落检索

    本文分析了预训练语言模型在信息查找问题回答方面的挑战和解决方案，包括段落选择和答案预测。作者人手对多语言数据集进行了分类和标注，在此基础上提出了未来在数据集收集和模型开发方面的研究前景。

    Oct, 2020

  • 一个基于研究论文的信息查找问题和答案数据集

    本文介绍了 QASPER（一个基于自然语言处理论文的问题数据集），旨在提醒需要收集反映多部分论文主张的复杂推理难度的数据，以利于构建支持文档查找的问答系统。

    May, 2021

  • 估计明确问题和回答对于对话式搜索的有用性

    我们提出了一个简单而有效的方法来处理对澄清问题的回答，并介绍了一个对用户提出的问题和回答进行有用性评估的分类器，将有用的问题或回答附加到对话历史中，并传递给基于 transformer 的查询重写模块，实验证明与非混合主动的基线相比有显著改进。此外，所提出的方法缓解了使用不实用的问题和回答时性能下降的问题。

    Jan, 2024

  • 保持饥饿，保持专注：在信息搜索对话中生成信息量丰富且具体的问题

    本文研究了在信息不对称的对话中生成信息丰富的问题的问题，提出了一种基于启发式思考而非答案预设的提问策略，并使用强化学习算法优化问题的信息丰富程度，并优化问题的特定性，结果表明此策略比其他对比模型更能有效提高提问问题的信息量和特定性。

    Apr, 2020

  • 开放领域信息寻求对话中的澄清问题

    本文介绍了在开放领域信息寻求对话系统中提出澄清问题的任务，并提出了一个离线评估方法和一个命名为 Qulac 的数据集，以便评估模型的性能，其实验表明优质问题有助于提高信息检索的效率，并提出一个由三个部分构成的检索框架，该模型显著优于竞争基线。

    Jul, 2019

  • NewsQs: 多源信息提问

    我们提供了一个名为 NewsQs (新闻提示) 的数据集，其中提供了多篇新闻文档的问题 - 回答对。通过在 News On the Web 语料库的 FAQ 样式新闻文章上对 T5-Large 模型进行微调，我们创造了 NewsQs，并自动生成了问题。我们证明，使用控制代码对模型进行微调可以生成更容易被人们接受的问题，与没有使用控制代码的相同模型相比，在人类评价中表现更好。我们使用与人类注释具有高相关性的 QNLI 模型来过滤数据。我们将我们的最终高质量问题、答案和文档聚类数据集作为资源，用于未来的基于查询的多文档摘要研究。

    Feb, 2024

  • 基于知识的问答方法：对话式调查中追问问题生成

    本研究提出一种基于知识驱动的 follow-up question 生成框架，结合知识选择模块和生成模型来提高开放域 follow-up question 的质量。实验证明，与 GPT 基线相比，该框架在客观评估和人类实验评估中都具有更好的性能。

    May, 2022

  • 人类和机器的过度信息问答

    本文提供实验证据表明，人类回答时过多信息的选择是由于考虑到与问答者目标的相关性，并根据问题使用的功能上下文灵活调整。本文进一步探究了最先进的神经语言模型的问答表现，并发现大多数模型无法像人类一样调整回答行为，倾向于包含无关信息。我们发现 GPT-3 对提示形式非常敏感，并且只有在有例子和认知动机的解释指导下才能实现类似于人类的回答模式。

    May, 2023