Reading Wikipedia to Answer Open-Domain Questions【论文笔记】

最新推荐文章于 2024-02-25 15:53:36 发布
最新推荐文章于 2024-02-25 15:53:36 发布 · 603 阅读 · 0

本文探讨了利用维基百科作为唯一知识库解决开放域问答的挑战与解决方案。重点介绍了结合bigram hashing、TF-IDF搜索及多层递归神经网络的创新方法，实验证明该方法在多个QA数据集上表现优异。

摘要生成于 C知道 ，由 DeepSeek-R1 满血版支持， 前往体验 >

一、摘要

  这篇文章主要是介绍使用维基百科作为唯一的知识库来解决开放域问答。大规模机器阅读任务的主要挑战是文档检索（查找相关文章）和机器阅读理解（从文章中确定答案片段）。作者的方法将基于bigram hashing 和TF-IDF匹配的搜索组件与经过训练以检测维基百科段落中的答案的多层递归神经网络模型相结合。我们对多个现有QA数据集的实验表明：（1）两个模块相对于现有模块具有很强的竞争力;（2）使用远程监督对其组合进行多任务学习具有挑战性。

二、介绍

Chevalier~
关注
21、Deep QA: An Open-Domain Dataset of Deep Questions and Comprehensive Answers
omega的博客
07-12 30
The Deep QA (DQA) dataset is introduced as the first open-domain dataset featuring deep questions and comprehensive answers. It emphasizes complex, non-factual questions that require higher-level understanding and reasoning. Generated from Wikipedia summar
【论文阅读】开放域问答论文总结，文本召回与问答的另一种思路
weixin_45839693的博客
04-05 2095
【论文总结】开放域问答，纯文本召回与精排的另一种思路前言SCIVER: Verifying Scientific Claims with Evidence二、使用步骤1.引入库2.读入数据总结 前言 这篇文章是年前欠下来的，当时在选择比赛的项目时，SDP @NAACL 的第二项任务SCIVER: Verifying Scientific Claims with Evidence，和开放域问答系统非常相似，因此调研了一些开放域问答的经典文献和SOTA方法，在这里做一个总结。 涉及论文： Reading W
DrQA 阅读维基百科来回答开放问题 Reading Wikipedia to Answer Open-Domain Questions
TensorFlowNews
07-27 3139
DrQA 是一个阅读理解系统应用于开放领域的问答。 项目由 https://github.com/facebookresearch 发布。 项目地址：https://github.com/facebookresearch/DrQA DrQA is a system for reading comprehension applied to open-domain question an
文献阅读 - Reading Wikipedia to Answer Open-Domain Questions
Always On The Way
11-26 701
Reading Wikipedia to Answer Open-Domain Questions D. Q. Chen, A. Fisch, J. Weston, A. Bordes, Reading Wikipedia to Answer Open-Domain Questions, ACL (2017) 摘要 开放域问题回答（open domain question answering）...
《Reading Wikipedia to Answer Open-Domain Questions》浅析
weixin_40909358的博客
03-24 1077
前言： 本人所写博客主要目的是记录之用，不免显得琐碎唠叨，不过分享出来如果能有只言片语帮到大家也是极好的。若您觉得一无所获，请及早退出，若有想法进一步交流，可评论。（原谅我没有时间排版） 这是陈丹琦博士（四舍五入可以算作学姐了？）的论文。 论文地址http://aclweb.org/anthology/P17-1171 论文名称：通过阅读维基百科来回答开放性问题。 1.维基不像其他的kb...
【一起读ACL】Facebook的开放式问答系统（Reading Wikipedia to Answer Open-Domain Questions）
say_c_box的博客
04-03 1080
Reading Wikipedia to Answer Open-Domain Questions这篇论文介绍了一个回答开放提问的模型。选择用维基百科中的一部分来作为答案。In order to answer any question, one must first retrieve the few relevant articles among more than 5 million items,
论文阅读：Generation-Augmented Retrieval for Open-Domain Question Answering
Hero19980512的博客
04-18 3578
论文阅读：Generation-Augmented Retrieval for Open-Domain Question Answering 来源：ACL 2021 下载地址：https://arxiv.org/pdf/2009.08553.pdf 本文主要贡献： (1) 我们提出了 GenerationAugmented Retrieval (GAR)，它通过文本生成以启发式发现的相关上下文来增强查询，而无需外部监督或耗时的下游反馈。 (2) 我们表明，与使用原始查询或现有的无监督 QE 方法相比，使用生
对话系统（三）Reading Wikipedia to Answer Open-Domain Questions
从网络到AI，从学术界到产业界，随着兴趣去逐梦
07-21 809
1. 论文研读笔记 1.1 研究动机 本周的论文让人兴奋，陈丹琦大神的大作早就想拜读一下。从NLP的角度来看，是从Manning的丹琦大神，算是少林武当嫡传弟子，我辈海沙派外门弟子正该全面研究拜读，说不定能学个正宗入门心法，哈哈。 话不多少，回归主题，这篇文章的工作来到了开放域问答，问答的基础是基于wiki。 这篇文章一个很大的亮点是，只基于wiki，而不考虑外部知识库的辅助 。从单变量的角度看，...
阅读Wikipedia来回答开放域问题（Reading Wikipedia to Answer Open-Domain Questions）
jnwujingchao的博客
05-05 1428
摘要 本文提出利用维基百科作为唯一的知识源来解决开放域问答问题：任何一个（仿真陈述）factoid问题的答案都是维基百科文章中的一个文本跨度。这项大规模机器阅读的任务结合了文献检索（找到相关文章）和机器理解文本（从这些文章中找出答案跨度）的挑战。我们的方法将基于bigram散列和TF-IDF匹配的搜索组件与训练用于检测维基百科段落答案的多层递归神经网络模型相结合。我们在多个现有QA数据集上的实验...
陈丹琦博士毕业论文，机器阅读理解
12-18
斯坦福大牛陈丹琦的机器阅读理解综述文章，十分全面详尽。
Facebook开源问答系统DrQA：基于单一信源回答开放域提问《Reading Wikipedia to Answer Open-Domain Questions》
lyb3b3b的专栏
08-15 1101
问耕 编译整理 量子位 出品 | 公众号 QbitAI 今天一大早，Yann LeCun就转发了一条消息：Facebook开源了DrQA的代码。 DrQA是一个开放域问答系统。 关于DrQA，Facebook还发表了一篇论文《Reading Wikipedia to Answer Open-Domain Questions（阅读维基百科来回答开放域问题）》。这篇论文也入选了
Reading Wikipedia to Answer Open-Domain Questions
weixin_41701299的博客
07-19 237
本文是发表在 ACL2017 上的一篇论文， （1）Document Retriever：基于二元语法哈希（bigram hashing）和TF-IDF匹配的搜索组件对于给出的问题，有效地返回相关的文档 （2）Document Reader：多层RNN机器阅读理解模型，在（1）所返回的文档中查找问题答案的所在。 （3）Document Retriever 结合 TF-IDF 加权的词袋向量...
Reading Wikipedia to Answer Open-Domain Questions翻译
nopSled
04-29 672
摘要 本文提出了使用Wikipedia作为唯一知识源来解决开放领域问答：任何事实类问题的答案都是Wikipedia文章中的文本范围。 大规模的机器阅读理解任务将文档检索（查找相关文章）与机器文本理解（识别这些文章的答案范围）的挑战结合在一起。我们的方法将基于bigram哈希和TF-IDF匹配的搜索组件与经过训练以检测Wikipedia段落中的答案的多层循环神经网络模型相结合。我们在多个现有QA数据...
DrQA模型：Reading Wikipedia to Answer Open-Domain Questions
ACM_hades的博客
06-20 1052
一、DrQA系统的构成： DrQA系统的构成 Document Retriever：据问题检索出维基百科中的相关文章 Document Reader：在文章中找到相应的段落并提取出答案 DrQA系统整体图： 二、 Document Retriever部分： 通过问题检索出相关的文章有很多的方法，简单的方法就是统计两者的TF-IDF得到词袋模型向量，然后通过cosine similari...
《Reading Wikipedia to Answer Open-Domain Questions》阅读笔记
qq_38343151的博客
11-25 560
一、介绍 1.简介： 本借助大规模开源的外部知识库是突破机器阅读和问答能力的关键。作者基于 500 万+的 Wikipedia 文档，在SQuAD，WebQuestions 等几个问答数据集上，做开放式的问答系统。 作者提出的 DrQA 模型是由 Document Retriever（文档搜寻） 和 Document Reader（文档阅读） 两部分组成。Document Retriever...
Open-Domain Question Answering
jnwujingchao的博客
05-25 441
https://zhuanlan.zhihu.com/p/93347083
信息检索（三）：Expand, Rerank, and Retrieve: Query Reranking for Open-Domain Question Answering
最新发布
zhuzaiyebol的博客
02-25 1432
我们提出了 EAR，一种用于改进段落检索的查询扩展（query Expansion）和重新排序（Reranking）方法，并应用于开放域问答。1）EAR 首先应用查询扩展模型来生成不同的查询集2）然后使用查询重新排序器来选择可以带来更好检索结果的查询。由于贪婪解码通常不会选择最佳查询扩展，因此 EAR 训练其重新排序器，以在向给定检索器发出扩展查询时预测gold段落的排序顺序。通过更好地连接查询扩展模型和检索器，EAR 显着增强了传统的稀疏检索方法 BM25。
开放领域问答学习笔记
zerozzl01的博客
08-31 3634
1 开放领域问答概述 1.1 简介 开放领域问答（Open-domain question answer, QA），即使用大量不同主题的文档来回答问题，是自然语言处理（NLP）、信息检索（IR）和相关领域长期研究的主题。传统的QA系统通常构建为一个pipeline，由许多不同的组件组成，如问题处理、文档/文章检索和答案处理。随着深度学习的快速发展，现代开放域QA系统通过结合传统IR技术和深度学习模型重构，甚至完全以端到端方式实现。 1.2技术方案 当前开放域问答的技术方案可以主要分为三大类： ..
Wikipedia Reading Lists-crx插件使用指南
资源摘要信息:"Wikipedia Reading Lists-crx插件" 该插件主要为那些经常使用Wikipedia的用户设计，尤其适合于在移动设备上使用Wikipedia应用程序的用户。该插件的开发语言为英语，其核心功能是让用户能够从...
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值