一种用于解析问答推理过程的多轮迭代检索算法研究

【目的】针对当前阅读理解类问答推理过程中传统无监督检索方式句子关联性不足的问题,设计一种检索模型,研究问答任务的推理过程,探求问答任务的可解释性。【方法】提出一种新型无监督检索模型ISR,模型中融合皮尔逊相关系数、GloVe词嵌入、IDF加权等主要模块,ISR模型通过多轮迭代方式细粒度检索推理句。【结果】对比模型MSSwQ,ISR模型在MultiRC数据集上进行实验,P、R、F_(1)指标平均高出2.4、1.8、2.1个百分点;在HotPotQA数据集上进行实验,P、R、F_(1)指标平均高出4.8、2.6、3.7个百分点。【局限】检索采用硬匹配,可能存在过分匹配的情形。【结论】本文模型能够提升检索推理句的准确性,检索的推理句能够有效应用于问答任务的推理过程。

问答系统构建及推理研究综述

近年来对问答系统的研究提高了信息提取的质量,并取得了许多领域内的不错成果。传统方法构建的问答系统满足不了如今的需求,因此结合深度学习模型构建问答系统以提高检索能力成为当前研究的主流。而且面对越来越多限制条件的多跳问题,问答系统需要具备一定推理能力推导出更多的信息以准确的找到答案。该文讨论了基于语义解析和基于信息检索的两种实现问答系统的方法,这两种方法都可以有效地处理单一约束的简单问题,而且结合深度学习模型,可以更好地解决多约束的复杂问题。此外,针对在知识库中多次跳跃的问答,还讨论了基于图神经网络和强化学习等方法的问答推理技术,这些技术可以在知识库中进行多跳推理,补充问答中的缺失信息完成问答任务。最后,对两种构建方法的优缺点进行了总结,并展望了未来问答系统的发展前景。

基于知识图谱嵌入的路径增强多跳问答方法

提出一种基于知识图谱嵌入的路径增强多跳问答方法,构建了“比较-聚合”框架,该框架可以增强问题到答案的路径,解决了以往模型中没有充分利用路径和自然语言的问答顺序而造成的问答效果不理想的问题;设计了不同比较函数,最终选择SUBMULT+NN作为比较函数效果较好;在两个开放领域基准的问答数据集MateQA与WebQuestionsSP上进行实验,相比较于以往的多跳问答方法在完全知识图谱上均有所提升,在不完全知识图谱上表现优异。

基于视觉和语言的跨媒体问答与推理研究综述

基于视觉和语言的跨媒体问答与推理是人工智能领域的研究热点之一,其目的是基于给定的视觉内容和相关问题,模型能够返回正确的答案。随着深度学习的飞速发展及其在计算机视觉和自然语言处理领域的广泛应用,基于视觉和语言的跨媒体问答与推理也取得了较快的发展。文中首先系统地梳理了当前基于视觉和语言的跨媒体问答与推理的相关工作,具体介绍了基于图像的视觉问答与推理、基于视频的视觉问答与推理以及基于视觉常识推理模型与算法的研究进展,并将基于图像的视觉问答与推理细分为基于多模态融合、基于注意力机制和基于推理3类,将基于视觉常识推理细分为基于推理和基于预训练2类;然后总结了目前常用的问答与推理数据集,以及代表性的问答与推理模型在这些数据集上的实验结果;最后展望了基于视觉和语言的跨媒体问答与推理的未来发展方向。

针对机器问答中多跳问题的深度学习网络模型

多跳问答(multi-hop question answering,multi-hop QA)是文本问答的一项重要且具有挑战性的任务。针对现有方法在解决多跳问题时答案推理能力弱、答案寻找的准确率低等问题提出一种多跳问题的深度学习网络模型AGTNet(albert graph attention network,轻量双向编码图注意力网络)。首先在神经网络隐藏层使用参数共享和矩阵分解技术,然后使用点积计算方式进行答案预测,最后使用已标注的数据集对AGTNet模型进行训练验证。试验结果表明,本模型经过训练后在测试集上的F_(1)值达到70.4;与现有的多跳问答推理模型相比,本模型拥有较优的实体级推理能力,能够有效提高多跳问答推理能力,从而提升了问答系统的响应速度和准确率。本研究结果为问答系统和多轮对话机器人的研发提供了理论依据。

面向知识图谱的会话式机器阅读理解研究综述

对话式机器阅读理解随着数据集的发展而发展,目的在于让机器在理解文章内容的基础上能够进行多轮对话。但现有的模型方法无法从对话历史中捕获到与当前问题最相关的历史信息,模型的推理能力较差,很难获取实体间的隐含信息。知识图谱应用于推理问答是当前的一大研究热点。知识图谱技术可以推断出实体间的隐含关系,应用于推理问答则能够提升模型的推理问答能力,提高预测的准确率。近年来,知识图谱推理技术的广泛应用,极大地推动了知识图谱推理问答的发展。对基于知识图谱的会话式机器阅读理解从三方面进行总结:介绍了会话式机器阅读理解领域的数据集以及当前的一些典型的模型方法,并对模型的性能和优缺点作了简要的分析与比较;介绍了知识图谱的定义、架构以及四大核心技术,并简要介绍了三大类知识图谱推理问答的模型方法;最后总结工作,并根据会话式机器阅读理解的数据集特点和知识图谱推理问答模型的缺点,对未来的研究重点进行展望。