@进料{murakhovska-etal-2022-mixqg,title=“{M}-ix{QG}:混合答案类型的神经问题生成”,author=“Murakhovs{'}ka、Lidiya和吴建生和拉班、菲利普和牛、童和刘文浩和熊才明”,editor=“Carpuat、Marine和德马内夫、玛丽·凯瑟琳和Meza Ruiz,Ivan Vladimir“,booktitle=“计算语言学协会的发现:NAACL 2022”,月=七月,年=“2022”,address=“美国西雅图”,publisher=“计算语言学协会”,url=“https://aclantology.org/2022.findings-naacl.111”,doi=“10.18653/v1/2022.findings-naacl.111”,pages=“1486--1497”,抽象=“提出好的问题是人类和机器智能的一项基本能力。然而,现有的神经问题生成方法主要侧重于短事实类型的答案。本文介绍了一种神经问题生成器MixQG来弥补这一差距。我们将九个问题回答数据集与不同的答案类型结合起来,包括包括是/否、多项选择、提取和抽象答案,以训练单一生成模型。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。我们进行了一项人类评估研究,以评估生成问题的质量,发现MixQG比次优模型的性能强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。",}
<?xml version=“1.0”encoding=“UTF-8”?><modsCollection xmlns=“http://www.loc.gov/mods/v3"><mods ID=“murakhovska-etal-022-mixqg”><标题信息><title>MixQG:使用混合答案类型生成神经问题</titleInfo><name type=“personal”>利迪娅穆拉霍夫斯<角色>作者</角色></name><name type=“personal”>钱胜<namePart type=“given”>吴<角色>作者</角色></name><name type=“personal”>菲利普拉班<角色>作者</角色></name><name type=“personal”>动力钳<namePart type=“family”>牛</namePart><角色>作者</角色></name><name type=“personal”>文浩刘<角色>作者</角色></name><name type=“personal”>蔡明熊<角色>作者</角色></name><原始信息>2022-07发布日期</originInfo><typeOfResource>文本<relatedItem type=“主机”><标题信息>计算语言学协会的发现:NAACL 2022</titleInfo><name type=“personal”><namePart type=“given”>海洋</namePart>卡普阿特<角色>编辑器</角色></name><name type=“personal”>玛丽·凯瑟琳马内夫<角色>编辑器</角色></name><name type=“personal”>伊凡弗拉基米尔梅扎·鲁伊斯<角色>编辑器</角色></name><原始信息>计算语言学协会<位置><placeTerm type=“text”>美国西雅图</placeTerm></place></originInfo>会议出版物</relatedItem>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</摘要>murakhovska-etal-2022-mixqg10.18653/v1/2022.findings-naacl.111<位置><网址>https://aclantology.org/2022.findings-naacl.111</url></位置><部分>2022-07年<扩展单元=“page”><开始>14861497年</范围></部分></mods></modsCollection>
%0会议记录%T MixQG:混合答案类型的神经问题生成%A Murakhovs'ka,丽迪雅%吴建生%菲利普·拉班%阿牛、童%刘文浩%阿雄、蔡明%Y Carpuat,海军%玛丽·凯瑟琳Y de Marneffe%Y Meza Ruiz,伊万·弗拉基米尔%计算语言学协会的研究结果:NAACL 2022%D 2022年%7月8日%计算语言学协会%C美国西雅图%F murakhovska-etal-2022-mixqg公司%问好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。%R 10.18653/v1/2022.查找-naacl.111%U型https://aclantology.org/2022.findings-naacl.111%U型https://doi.org/10.18653/v1/2022.findings-naacl.111%电话1486-1497
降价(非正式)
[MixQG:使用混合答案类型的神经问题生成](https://aclantology.org/2022.findings-naacl.111)(Murakhovs'ka等人,研究结果2022)
国际计算语言学协会
- 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。