关键词factoid question answering
搜索结果 - 8
- PReGAN：弱监督 GAN 答案导向的段落排名
本文提出了一种名为 PReGAN 的基于生成对抗神经网络的段落重新排序方法，该方法在答案相关性鉴别器的基础上加入了一种答案可答性鉴别器，以更好地确定正确的答案相关段落，提高问答系统的效率，并且无需使用外部数据即可超越现有方法。
- ASQA：事实问题遇见长篇回答
本文提出了一个名为 ASQA 的任务，旨在回答需要深入解释的问题，并提出了一个在 ASQA 上测量表现的可靠度量标准，以及释放了一个新的数据集，用于解决长期问答任务中仍然存在的高质量数据缺乏和答案质量定义模糊的问题。
- 生物医学事实型问题回答的数据增强
本文研究七种数据扩增方法在事实型问题回答中的作用，着重于生物医学领域以及数据难以获得的情况。作者从 BioASQ 挑战赛中获取数据，然后通过人工智能技术和其他方法进行扩增。实验证明，即使在使用大型预训练模型时，数据扩增也会带来非常显著的性能 - WWW使用自由文本知识图谱进行复杂事实型问答
DELFT 是一个事实性问题回答系统，它将知识图谱问题回答方法的细微差别和深度与自由文本的广泛涵盖相结合。DELFT 从维基百科构建了一个自由文本知识图谱，使用实体作为节点，实体共现的句子作为边。DELFT 针对每个问题在自由文本图中找到将 - Quasar: 通过搜索和阅读获取问题回答的数据集
该研究提出了两个数据集，用于评估自然语言查询的理解和从大量文本语料库中提取答案的系统。Quasar-S 数据集由 37000 个填空式查询构成，Quasar-T 数据集由 43000 个开放领域的问答问题和它们的答案组成。我们将这些数据集作 - 面向生物医学问答的神经领域自适应
本文介绍了一种基于迁移学习技术，将神经网络模型应用在生物医学领域的事实型问答系统上的方法，通过加入生物医学文本嵌入和一种新的回答列表问题的机制来改进该系统，避免了使用昂贵的特定领域本体论、解析器或实体标注器。结果表明，该系统在事实型问题上达 - EMNLP不必关注：简单的循环神经网络可行！（用于回答 “简单” 问题）
本文旨在提出一种基于循环神经网络的方法解决 factoid question answering 中的两个问题：检测问题中的实体和将问题分类为知识库中的关系类型，同时在 SimpleQuestions 数据集上取得了显著改进的结果。
- 层次记忆网络
本文研究了一种层级的记忆网络，其内存以分层的方式组织，通过最大内积搜索（MIPS）来在不需要计算所有查询项的情况下快速进行查询，从而相比于传统的软注意机制和硬注意机制，取得了更好的效果，能在大规模的事实问答任务中使用。