Simple and Effective Multi-Paragraph Reading Comprehension读书笔记

本文探讨了从单段落问答(paragraphQA)扩展到多段落问答的有效方法。介绍了两种常见策略:pipeline方法和confidence方法,并提出了一种结合两者优势的新方案,实现了在多段落问答任务上的最新技术突破。通过改进的TF-IDF和分类器进行段落选择,解决了多答案噪声问题。同时,针对多段落问答场景下模型输出作为置信度效果不佳的问题,提出了四种创新方法:shared-normalization、merge、No-answer option和Sigmoid。

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

发表于ACL2018

    从paragraph QA到多paragraph QA有两种常用方法:pipeline方法先选取一个paragr,再用paragraph QA;confidence方法对所有paragraph都找答案并给出置信度,最后输出最高的。但后者较难训练。

    本文首先改进了pipeline方法,再结合confidence方法,取得了STOA的效果。

    用TF-IDF+classifier选取paragraph,利用sum objective function解决多答案噪音问题。

    对于多paragraph QA,直接用上述模型的(未归一化)输出作为confidence效果不好。提出四种方法:shared-normalization,merge,No-answer option和Sigmoid。

 

 

评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
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
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