《Reading Wikipedia to Answer Open-Domain Questions》浅析
前言:
本人所写博客主要目的是记录之用,不免显得琐碎唠叨,不过分享出来如果能有只言片语帮到大家也是极好的。若您觉得一无所获,请及早退出,若有想法进一步交流,可评论。(原谅我没有时间排版)
这是陈丹琦博士(四舍五入可以算作学姐了?)的论文。
论文地址http://aclweb.org/anthology/P17-1171
论文名称:通过阅读维基百科来回答开放性问题。
1.维基不像其他的kb数据库那样方便计算机处理,(kb中的关系对于open-domin的问答很稀疏,并不好用)
2.定义一个过程叫做machine reading at scale (MRS):In order to answer any question, one must first retrieve the few relevant articles among more than 5 million items, and then scan them carefully to identify the answer.
3.像 IBM’s DeepQA,它其实是依赖于大量的知识,不仅仅是维基,还包括文章、新闻等。但是我们现在想通过单一的信息来源,比如维基,获取答案,这就要求机器一定能读懂文章,而不是简单的信息检索。
4.现有的一些数据集,比如SQUAD,它们的设置是答案就在给定的一小段文本中,这就有点easy了。现有的模型已经能够做得很好。
5.我们的模型分为两部分:Document Retriever和 Document Reader,其中Retriever已经优于维基内置的搜索引擎。并且我们的效果经过了多个数据集的检验,重点是我们用了multitask learning。
那么什么是multitask learning呢?
https://zhuanlan.zhihu.com/p/27421983该文章讲的很详细,总结来说就是 主任务(main tasks)使用相关任务(related tasks)的训练信号(training signal)所拥有的领域相关信息(domain-specific information),做为一直推导偏差(inductive bias)来提升主任务(main tasks)泛化效果(generalization performance)的一种机器学习方法。
6.回到论文中来,Document Retriever这里没有详细说明,大概方法是“A simple inverted index lookup followed
by term vector model scoring performs quite well on this task for many question types”,并且已经优于维基内置的搜索引擎。最后返回大概5篇与问题有关的文章,重点在第二部分 Document Reader。
7.这里公式较为复杂,真想研究可以看论文,认真读可以看懂。最后选择出正确答案的方法论是:找到某个位置i,使得Pstart(i)×Pend(i0)的概率最大, (i ≤ i0 ≤ i + 15),这里Pstart(i)指的是位置i是答案开头的概率。
8.还有一点要提的是SQUAD数据集有个好处,它不仅给出了“问题-答案”对,还给出了相对应的维基中的文本,这就很适用于训练DRQA这个模型。但是其他一些数据集如WEBQUESTION,没有给出对应文本。这里作者用了远程监督的方式自动产生文本,并作为训练材料 。
9.performance
10.结论与不足
本文真的用了很多综合的方法:“ Our method integrates search, distant supervision, and multitask learning to provide an effective complete system. ”,具有一定开创性。
不足在于当前DRQA的训练还停留在单个paragraph,没有利用多段之间的信息。
《Reading Wikipedia to Answer Open-Domain Questions》浅析相关推荐
- unix domain socket 浅析
unix domain socket unix domain socket 是在socket架构上发展起来的用于同一台主机的进程间通讯(IPC: Inter-Process Communication ...
- EMNLP 2020 | 基于超边融合的文本增强知识图谱开放域问答
©PaperWeekly 原创 · 作者|舒意恒 学校|南京大学硕士生 研究方向|知识图谱 论文标题: Open Domain Question Answering based on Text Enh ...
- Reading Comprehension必读paper汇总
文章目录 Must-read papers on Machine Reading Comprehension. Model Architecture Utilizing Extenal Knolwed ...
- 【论文阅读】开放域问答论文总结,文本召回与问答的另一种思路
[论文总结]开放域问答,纯文本召回与精排的另一种思路 前言 SCIVER: Verifying Scientific Claims with Evidence 任务介绍 数据样例 开放域问答 Read ...
- Facebook刷新开放域问答SOTA:模型训模型!Reader当Teacher!
文 | Sherry 不是小哀 编 | 小轶 一部问答系统发展史就是一部人工智能发展史.早在1950年的图灵测试就提出:如果人类无法通过问答将机器和人区分开,那么这个机器就可以被认为具有智能.问答系统 ...
- 论文浅尝 | 利用知识-意识阅读器改进的不完整知识图谱问答方法
论文笔记整理:谭亦鸣,东南大学博士生,研究方向为知识库问答. 来源:ACL2019 链接:https://www.aclweb.org/anthology/P19-1417/ 本文提出了一种融合不完整 ...
- 自然语言处理nlp全领域综述
************************* 精华总结,时间不够只看这个部分就行了 1.书和课 Michael Collins:COMS W4705: Natural Language Proc ...
- CS224N WINTER 2022 (六)前沿问题探讨(QA、NLG、知识集成与检索、Coreference)
CS224N WINTER 2022(一)词向量(附Assignment1答案) CS224N WINTER 2022(二)反向传播.神经网络.依存分析(附Assignment2答案) CS224N ...
- 【CS224n】(lecture11)Question Answering
学习总结 (1)陈丹琦讲到自己17年在DrQA问答系统,也算是领航人,将Open-domain (textual) question answering分为两部分:Retriever和Reader部分 ...
最新文章
- vim 插件_vim插件YouCompleteMe配置
- 剑指OFFER之二维数组中的查找(九度OJ1384)
- C++primer CH12智能指针
- final+static
- VC++判断是否连网
- 网站部署后Parser Error Message: Could not load type 的解决方案
- pytorch读取单通道图片
- Flume的Source
- 可以用来做ppt的网页效果
- 【linux所有命令——复习】
- linux本地检测如何tomcat是否启动成功tomcat端口检测
- 微信公众平台开发中提示“该公众号提供的服务出现故障”问题解决
- php如何删除数据mysql数据库_php数据库如何删除数据
- 版本管理工具 SVN和git
- RPLIDAR十分钟极速入门教程
- word打开文档很久很慢_word文档 excel文档打开速度比较慢怎么办
- java迁移框架_Java敏捷数据库迁移框架——Flyway
- Android中TextView加横线的属性
- Eclipse创建java web工程
- Vue使用keep-alive,调用 $destory() ,页面不再被缓存的解决方法
热门文章
- Echarts图表之雷达图(一)
- PARAMETERS、SELECTION OPTIONS和SELECTION SCREEN的全部用法
- JAVA MemCache 史无前例的详细讲解【转】
- foxmail邮件加载失败重试_foxmail 提示错误
- html旅游门票源代码,票务网站整套静态模板 HTML模板
- gephi导入含时间线的动态数据
- 从本体的发展看图书情报学
- DS18B20读取温度并显示在数码管上
- 韦丹塔和富士康投资200亿美元兴建半导体工厂;精密陶瓷3D打印中日合资企业微瓷公司在景德镇成立 | 美通企业日报...
- 阿里云oss部署静态网页