64、文本理解中答案感知的神经问题生成研究

文本理解中答案感知的神经问题生成研究

1. 相关工作

自动问题生成方法通常分为三种类型。在教育研究领域，基于规则和模板的方法最为常见；而在教育领域之外，神经问题生成器（NQG）则是最先进的技术。

教育领域的系统会研究多种不同类型的问题，如填空问题、选择题或Wh问题，应用于通用文本理解、历史或生物学等多个领域。这些系统依靠文本或结构化数据（如本体或知识库）来选择上下文和答案候选。当依赖文本时，系统的答案候选选择大多通过浅层语义解析（如语义角色标注或命名实体识别）来完成，部分作者还会在人工标注的数据上训练分类器。

在教育领域之外，NQG从相对简单的序列到序列模型发展而来，最初仅依赖上下文句子和语言的统计规律来生成问题，如今已发展为具有不同方面的复杂模型。后续系统利用先进的神经架构，考虑期望的答案，并具备难度感知能力。通过自动和实证测量，这些神经方法在自然度和语法正确性方面表现更优。目前最先进的系统是答案感知的NQG，优于答案不感知和非NQG方法。

在教育场景中应用NQG系统的相关工作相对较少。最近收集了包含不同认知水平问题的数据集，为教育中的NQG提供了更多训练数据。初步实验表明，答案不感知的NQG在这些数据集上也优于基于规则的系统。此外，还研究了通过使用分类器或依赖提取式摘要方法从文本中选择值得提问的上下文句子，但初步结果显示，没有一种算法在所有数据集上都始终表现最佳，其中LexRank是表现较好的方法之一。

2. 研究问题

基于相关工作以及答案不感知的NQG在教育数据集上优于基于规则的系统，答案感知的NQG在非教育数据集上优于其他系统这一事实，提出以下两个研究问题：
- RQ1