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。
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。
扫一扫
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
