M（M）九质量单位：使用混合答案类型生成神经问题

Lidiya Murakhovs'ka女士,吴建胜,菲利普·拉班,童牛,刘文浩,熊才明

摘要
提出好的问题是人类和机器智能的基本能力。然而，现有的神经问题生成方法主要关注短事实类型的答案。在本文中，我们引入了一个神经问题生成器MixQG来弥补这一差距。我们将九个问答数据集与不同的答案类型相结合，包括是/否、多项选择、提取和抽象答案，以训练单个生成模型。我们的实证结果表明，我们的模型在可见和不可见领域都优于现有的研究，并且当以不同的答案类型为条件时，可以生成具有不同认知水平的问题。我们进行了一项人体评估研究，以评估生成问题的质量，并发现MixQG比次佳模型的表现要好10%。我们的代码和模型检查点将被发布，并与HuggingFace库集成，以方便各种下游应用程序。
选集ID：
2022.结果-naacl.111
体积：
计算语言学协会的研究结果：NAACL 2022
月份：
七月
年份：
2022
地址：
美国西雅图
编辑：
海洋木瓜,玛丽·凯瑟琳·德·马内夫,伊万·弗拉基米尔·梅扎·鲁伊斯
地点：
调查结果
SIG公司：
发布者：
计算语言学协会
注：
页码：
1486–1497
语言：
网址：
https://aclantology.org/2022.findings-naacl.111
内政部：
10.18653/v1/2022。命名名称111
比比键：
引用（ACL）：
Lidiya Murakhovs'ka、吴建胜、菲利普·拉班、童牛、刘文浩和熊才明。2022MixQG：混合答案类型的神经问题生成.英寸计算语言学协会的研究结果：NAACL 2022第1486–1497页，美国西雅图。计算语言学协会。
引用（非正式）：
MixQG：混合答案类型的神经问题生成（Murakhovs'ka等人，2022年发现）
复制引文：
PDF格式：
https://aclantology.org/2022.findings-naacl.111.pdf
视频：
 https://acl选集.org/2022.findings-nameacl.111.mp4
代码
salesforce/qgen
数据
布尔Q, 下降, MC测试, 叙事QA, 自然问题, Quoref（引用）, 小队
PDF格式 引用 搜索 代码 视频