简单有效的多段阅读理解

@文章{Clark2017SimpleAE，title={简单有效的多段阅读理解}，author={克里斯托弗·克拉克和马特·加德纳}，日志={ArXiv}，年份={2017年}，体积={abs/1710.10723}，网址={https://api.semanticscholar.org/CorpusID:223637}}
结果表明，通过使用一个改进的训练方案，可以显著提高性能，该方案教导模型忽略不包含答案的段落，这涉及从每个文档中抽取多个段落，并使用一个目标函数，该函数要求模型生成全局正确的输出。
[PDF]语义阅读器
424引文
极具影响力的引文
66
背景引文
191
方法引文
216
结果引文
13

本文图表

询问这篇论文
贝塔
AI供电

我们的系统试图限制本文中找到的信息。结果质量可能有所不同。了解更多信息关于我们如何产生这些答案。

424引文

多式生成性阅读理解

本研究探讨了生成性阅读理解（RC），包括基于文本证据和自然语言生成（NLG）回答问题。我们提出了一种多级抽象…

长文本机器阅读理解中的递归组块机制

在三个MRC任务上的实验证明了所提出的递归分块机制的有效性：它们可以获得更有可能包含完整答案的片段，同时为更好的预测提供围绕基本事实答案的足够上下文。

通过问题分解和重排实现多点阅读理解

提出了一种将组合问题分解为可由离线单跳RC模型回答的简单子问题的系统，并引入了一种新的全局重排序方法，该方法考虑每个分解来选择最佳的最终答案，从而大大提高了整体性能。

多文档阅读理解的深层级联模型

提出了一种新的深度级联学习模型，该模型从候选文本的文档级和段落级排序逐步演变为更精确的机器阅读理解答案提取。

问题类别在多文档机器阅读理解中的应用

一种新的端到端阅读理解模型，利用了优于英文MS MARCO数据集和中文DuReader数据集基线的问题类别，以及一种基于关键词提取的新问题分类模型来获得问题类别。

开放域问答中句子选择技术的权衡

本文描述了两组句子选择模型：基于QA的方法，它运行一个成熟的QA系统来识别候选答案；基于检索的模型，它查找每个段落中与每个问题具体相关的部分，并演示了一个集成模块，该模块代表了这两种方法的混合。

学习使用文档结构搜索长文档

提出了一种新的阅读理解框架，该框架将文档表示为树，并对一个代理进行建模，该代理学习在文档树中快速导航与更昂贵的答案提取。

使用match-LSTM和答案指针进行机器理解

本项目试图探索一些NLP和深度学习技术来解决机器理解（MC）问题。

基于图形注意网络的多粒度机器阅读理解文档建模

一种新的多粒度机器阅读理解框架，重点是按照文档的层次结构对文档进行建模，这些文档具有不同的粒度级别：文档、段落、句子和标记，在长答案和短答案标准方面都显著优于以前的系统。

问题回答的增量阅读

对DocQA模型进行了扩展，以允许在不损失准确性的情况下进行增量阅读，并共同学习在给定到目前为止看到的文本的情况下提供最佳答案，并预测这个迄今为止的最佳答案是否足够。
...

37参考文献

基于神经级联的阅读理解多思维学习

这项工作采用了不同的方法，通过构建轻量级模型，这些模型以级联方式组合在一起以找到答案，每个子模型仅由配备注意机制的前馈网络组成，使其具有琐碎的并行性。

S-Net：从答案抽取到机器阅读理解答案生成

答案提取模型首先用于预测文章中最重要的子跨度作为证据，而答案合成模型则将证据作为问题和文章的附加特征，以进一步阐述最终答案。

利用注意力总和读者网络进行文本理解

提出了一种新的简单模型，它使用注意力直接从上下文中挑选答案，而不是像类似模型中一样使用文档中单词的混合表示来计算答案，这使得该模型特别适用于答案为文档中单个单词的问题回答问题。

机器理解的双向注意流

引入了BIDAF网络，它是一个多阶段的层次化过程，在不同粒度级别上表示上下文，并使用双向注意流机制来获得一个无需提前摘要的查询感知上下文表示。

SkuAD:100000多个机器理解文本的问题

建立了一个强大的logistic回归模型，F1得分为51.0%，比简单基线（20%）显著提高。

Smarnet：教机器像人一样阅读和理解

提出了一种新的词汇门控机制，将单词和字符表示动态地结合在一起，以引导机器通过注意力机制和记忆网络进行交互式阅读。

使用Match-LSTM和答案指针进行机器理解

这项工作提出了斯坦福问答数据集（SKuAD）的端到端神经架构，该架构基于match-LSTM（之前提出的文本隐含模型）和指针网（Vinyals et al.（2015）提出的序列到序列模型），以约束输出标记来自输入序列。

用于阅读理解和问答的门控自我匹配网络

本文提出了阅读理解式问答的门限自匹配网络，该网络旨在回答给定文章中的问题，无论是单一模型还是集成模型，都在SQuAD排行榜上占据首位。

R3：开放领域问题回答的强化读者排名

一种新的具有Ranker组件的开放域QA管道，它学习根据生成给定问题的真实答案的可能性对检索到的段落进行排序，以及一种新方法，该方法基于强化学习联合训练Ranker和应答生成阅读器模型。

记忆读取器：具有迭代对齐和多跳答案指向的机器理解

本文介绍了一种用于MC任务的记忆阅读器，它是一种端到端的神经网络，旨在从两个方面解决上述问题：一种迭代对齐机制，它不仅捕获上下文和查询之间的交互，还建模上下文本身之间的交互以获得完全感知的上下文表示。