关键词textual question answering
搜索结果 - 5
- 文本数据库中的图遍历检索和推理
本文提出了 Graph-Hop 多链式及多跳式检索和推理范式，建立了新的 Benchmark ReasonGraphQA 来支持可解释的推理，论证其在推理多样性和规模方面的优势，并在现有证据检索和推理模型上进行了彻底的评估。
- 通过混合问题解析和执行回答文本中的复杂问题
提出了一个结合神经网络和符号方法的问题解析和执行框架，在 MuSiQue、2WikiQA、HotpotQA 和 NQ 等数据集中表现出优异的性能，同时高效的暴露了它的推理过程。
- 利用紧凑的负例生成进行主动蕴含编码，构建解释树
本文旨在将 “依托树” 作为主要方法，探讨如何有效地在大量前提事实列表中有效地构建多级推理树，该方法以主动式前提选择步骤为序列，采用预训练的变形金刚模型迭代的微调来平衡语义关系的编码和解释逻辑建立模型，并在实验中得到了 20% 的有效性提升 - ACL通过子部分对齐实现鲁棒的问答
提出一种将问题回答建模为一种对齐问题的结构支持向量机方法，通过将问题和上下文分解成基于语义角色的单元，并将问题与上下文的子图进行对齐以找到答案，该模型可用于跨领域问题回答，且通过对齐得分派生出的限制使模型更加鲁棒。
- 使用语法可解释表达式的问答
使用承载基本语言学概念的 Tensor Product Recurrent Network (TPRN) 架构，在深度神经网络 QA 任务中学习内部表示，并成功解释了单词的语义含义与语法角色，从而证明了模型可以从未标注的文本中学习语法。