图书馆学科咨询借鉴维基与网络开放问答模式的可行性分析与方案构想

分析学科咨询的现状和维基与国内外主要几种网络开放问答的发展应用状况,认为学科咨询服务借鉴维基和网络开放问答模式在理论上和实际操作上皆具有可行性,并在此基础上从理念原则、基本框架、运行机制等方面提出建立学科咨询开放平台的初步构想。

通过多文档精排与融合的开放域问答任务增强实现

开放域问答(OpenQA)是自然语言处理中的一项具有挑战性的任务,传统的机器学习和深度学习技术通常用于从原始语料库中检索与问题相关的候选文档片段以进行答案提取。然而,当前方法检索的候选文档片段往往包含大量的噪声以及与问题无关的信息,并且主流的OpenQA模型在准确响应需要多个文档片段作为相关证据的问题方面存在不足。鉴于此,提出通过多文档精排与融合增强开放域问答的方法(RFMD),该方法在检索阶段设计了基于Transformer的文档精排模块,以减少候选文档中的噪声信息;在阅读理解阶段,RFMD采用以文本生成为中心的问答模块,通过构建跨文档片段的全局注意力机制,整合多个相关文档片段的信息,准确回答需要多个文档片段作为支持证据的问题。RFMD在NaturalQuestions和TriviaQA数据集上的EM得分分别达到45.8%和63.4%,验证了该模型在OpenQA任务中的有效性和优越性。

开放域问答技术研究进展

问答技术是信息检索和自然语言理解中的研究热点.本文对开放域问答技术在近年来的研究进展进行了总结.针对不同类型的问题,比较了问答系统中问题分析、文档和句段检索、答案抽取各个部分不同实现方法的特点,讨论了这些技术中存在的不足.最后,对问答技术未来的研究趋势进行了分析与展望.

面向开放域问答的问题分类技术研究进展

开放域问答是当前自然语言处理和信息检索领域的研究热点,作为开放域问答系统的重要组成部分,问题分类可以缩小答案的搜索空间并决定答案的选择策略.近年来,基于机器学习的问题分类技术受到广泛的关注,相关研究表明问题分类的准确性直接影响问答系统的整体性能.本文从分类体系与数据集、特征提取、分类器设计、性能评测等层面,总结了问题分类技术近年的主要研究成果.重点分析了各种基于监督学习的问题分类方法的特点和不足,讨论了核方法、半监督学习、主动学习、迁移学习等在问题分类中的应用,同时对问题分类技术未来研究动向进行了展望.

基于特征增强的开放域知识库问答系统

实体消歧和谓词匹配是中文知识库问答系统(CKBQA)中的两个核心任务。针对开放域知识库中实体和谓词数量巨大,且中文问句与知识库知识在表现形式上存在差异的问题,提出一种基于特征增强的BERT的流水线式问答系统(BERT-CKBQA),改进了上述两个子任务。采用BERT-CRF模型识别问句中提及的实体,得到候选实体集合。将问题和拼接谓词特征的候选实体输入BERT-CNN模型进行实体消歧。根据实体生成候选谓词集合,提出通过注意力机制引入答案实体谓词特征的BERT-BiLSTM-CNN模型进行谓词匹配。结合实体和谓词的得分确定查询路径来检索最终答案。该方法设计了一个中文简单问题的开放域知识库问答系统,引入预训练模型与谓词特征增强子任务特征以提升其性能,并在NLPCC-ICCPOL-2016KBQA数据集上取得了88.75%的平均F1值,提高了系统的回答准确率。

中文开放域问答系统数据增广研究

开放域问答是自然语言处理中的重要任务之一。目前的开放域问答模型总是倾向于在问题和文章之间做浅层的文本匹配,经常在一些简单问题上出错。这些错误的原因部分是由于阅读理解数据集缺少一些真实场景下常见的模式。该文提出了几种能够提高开放域问答鲁棒性的数据增广方法,能有效减少这些常见模式的影响。此外,我们还构造并公开发布了一个新的开放域问答数据集,能够评估模型在真实场景下的实际效果。实验结果表明,该文提出的方法在实际场景下带来了性能提升。

UTMCQA:融合多任务的复杂问答模型

对复杂问题的处理一直是开放域问答(Open Domain Question Answering,ODQA)的一个难点,回答复杂问题需要分析问题及其相关的词法、句法和语义内容,该过程需要同时建模命名实体识别、句法分析、关系抽取等多项自然语言处理任务,因此如何有效地学习这些任务是一个重要技术挑战.本文提出了一种统一的可训练型多任务复杂问答框架UTMCQA(Uniform Trainable M ulti-tasks framew ork for Complex Question Answ ering),该框架融合了复杂问答涉及的上述主要任务,同时利用预训练语言模型(BERT)提供语义支撑,以语义相似作为启发信息从知识库和文本库中获取相关实体,采用图神经网络建模问题与事实之间的关系,并通过队列算法动态扩展问题子图,最后在子图的广度范围内,选择实体集合中的最优实体作为问题的最终答案.在公开的大规模复杂问题数据集ComplexWebQuestion上的实验表明,在不同场景设置下的UTMCQA均能有效提升问答系统的性能.

基于预训练语义编码的判断句答案推理

目前大规模文本问答依赖句子表征从候选文本中检索答案,但是忽略了有些答案需要进一步推理,无法直接从文中获取,比如判断句。为解决此类问题,一个面向大规模文本的判断句答案生成方法被提出。首先在语义编码器中通过对大规模文本进行预训练获取语义编码器,对问题、依据进行语义编码;其次在答案生成器中基于对比学习构造正负样本进行数据增强;之后在答案依据获取器中通过使用Faiss实现问题和大规模文本的快速表征与匹配。在最终的判断句问答中,准确率高达96.58%,验证了该方法的有效性。

展开学习过程 突出知识本质——苏教版小学数学五年级上册“枚举”教学的片断与思考

数学知识的本质一般是指那些隐藏着的和决定数学现象的基本概念、一般原理、思想方法等,教师的教学若能突出知识的本质,那么教学就有了深度和广度。

多跳机器阅读理解研究进展

与常规的单跳机器阅读理解相比,多跳机器阅读理解(MHMRC)需要在多个相关文档段落中进行多跳推理以实现对复杂问题的理解和回答,其更接近于人类的语言推理能力,具有广阔的应用前景但也极具挑战性。阐述MHMRC的研究背景,将现有方法根据适用场景分为封闭集合问答和开放域问答两类,主要包括基于问题分解的方法、基于图神经网络的方法、改进检索的方法、基于推理路径的方法等,分别从模型架构、特点、优劣等方面进行分析。介绍用于多跳推理的非结构化文本数据集和评测指标,对比各模型的性能表现。在此基础上,分析目前MHMRC研究的热点与难点,指出未来发展方向。

例谈高考历史开放式问答题的解题训练方法

高考历史开放性试题一直是每年考生关注的焦点,难度大,变形多,本文以一线教师的教学实践例谈其对这类题型的解题方法和训练方法。