論文の概要: Question Rewriting for Conversational Question Answering
- arxiv url: http://arxiv.org/abs/2004.14652v3
- Date: Fri, 23 Oct 2020 09:22:49 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-08 05:36:06.271879
- Title: Question Rewriting for Conversational Question Answering
- Title(参考訳): 会話型質問応答のための質問書き換え
- Authors: Svitlana Vakulenko, Shayne Longpre, Zhucheng Tu, Raviteja Anantha
- Abstract要約: 本稿では,TREC CAsT 2019パス検索データセット上で,新たな技術状況を設定する対話型QAアーキテクチャを提案する。
また,同じQRモデルにより,QACデータセットのQA性能が向上することを示す。
評価の結果,QRモデルは両データセットにおいてほぼ人間レベルの性能を達成できることが示唆された。
- 参考スコア(独自算出の注目度): 15.355557454305776
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Conversational question answering (QA) requires the ability to correctly
interpret a question in the context of previous conversation turns. We address
the conversational QA task by decomposing it into question rewriting and
question answering subtasks. The question rewriting (QR) subtask is
specifically designed to reformulate ambiguous questions, which depend on the
conversational context, into unambiguous questions that can be correctly
interpreted outside of the conversational context. We introduce a
conversational QA architecture that sets the new state of the art on the TREC
CAsT 2019 passage retrieval dataset. Moreover, we show that the same QR model
improves QA performance on the QuAC dataset with respect to answer span
extraction, which is the next step in QA after passage retrieval. Our
evaluation results indicate that the QR model we proposed achieves near
human-level performance on both datasets and the gap in performance on the
end-to-end conversational QA task is attributed mostly to the errors in QA.
- Abstract(参考訳): 会話型質問応答(QA)は、前の会話のターンのコンテキストで質問を正しく解釈する能力を必要とする。
質問書きと質問応答サブタスクに分解することで、会話型QAタスクに対処する。
質問書き換え(qr)サブタスクは、会話的文脈に依存する曖昧な質問を、会話的文脈の外で正しく解釈できる曖昧でない質問に再編成するために特別に設計されている。
本稿では,TREC CAsT 2019パス検索データセット上で,新たな技術状況を設定する対話型QAアーキテクチャを提案する。
さらに,同じQRモデルによりQACデータセットの応答スパン抽出におけるQA性能が向上することを示す。
評価結果から,提案したQRモデルは,両データセットの人間レベルに近い性能を実現し,エンドツーエンドの会話QAタスクのパフォーマンスの差は,主にQAのエラーに起因することが示唆された。
関連論文リスト
- SpeechDPR: End-to-End Spoken Passage Retrieval for Open-Domain Spoken Question Answering [76.4510005602893]
SQA(Spken Question Answering)は、機械がユーザの質問に応答するために必要である。
本稿では、最初のエンドツーエンドフレームワークであるSpeechDPR(SpeechDPR)を提案する。
教師なしASR (UASR) と高密度テキスト検索器 (TDR) のカスケードモデルから知識を抽出して文レベルの意味表現を学習する
論文 参考訳(メタデータ) (2024-01-24T14:08:38Z) - QUDEVAL: The Evaluation of Questions Under Discussion Discourse Parsing [87.20804165014387]
Questions Under discussions (QUD) は、言論を継続的に質問し、答えるように進行する多目的言語フレームワークである。
本研究はQUD解析の自動評価のための最初のフレームワークを紹介する。
細調整されたシステムとLLMの両方から生成された2,190のQUD質問のきめ細かい評価データセットであるQUDevalを提案する。
論文 参考訳(メタデータ) (2023-10-23T03:03:58Z) - Reinforced Question Rewriting for Conversational Question Answering [25.555372505026526]
対話型質問を自己完結型質問に書き換えるモデルを開発した。
既存のシングルターンQAシステムを使用することで、CQAモデルをスクラッチからトレーニングすることを回避することができる。
我々は、強化学習による書き換えモデルの監督にQAフィードバックを用いることを提案する。
論文 参考訳(メタデータ) (2022-10-27T21:23:36Z) - PACIFIC: Towards Proactive Conversational Question Answering over
Tabular and Textual Data in Finance [96.06505049126345]
我々はPACIFICという新しいデータセットを提案する。既存のCQAデータセットと比較すると、PACIFICは(i)活動性、(ii)数値推論、(iii)表とテキストのハイブリッドコンテキストの3つの重要な特徴を示す。
質問生成とCQAを組み合わせたPCQA(Proactive Conversational Question Answering)に基づいて,新しいタスクを定義する。
UniPCQAはPCQAのすべてのサブタスク上でマルチタスク学習を行い、Seeq2Seqの上位$kのサンプルをクロスバリデーションすることで、マルチタスク学習におけるエラー伝搬問題を緩和するための単純なアンサンブル戦略を取り入れている。
論文 参考訳(メタデータ) (2022-10-17T08:06:56Z) - Conversational QA Dataset Generation with Answer Revision [2.5838973036257458]
本稿では,一節から質問に値するフレーズを抽出し,過去の会話を考慮し,それに対応する質問を生成する新しい枠組みを提案する。
本フレームワークでは,抽出した回答を質問生成後に修正し,その回答が一致した質問に正確に一致するようにした。
論文 参考訳(メタデータ) (2022-09-23T04:05:38Z) - Can Question Rewriting Help Conversational Question Answering? [13.484873786389471]
質問書き直し (QR) は会話型質問応答 (CQA) のサブタスクである。
本稿では,QRとCQAタスクを統合した強化学習手法について検討する。
しかし、RL法はエンドツーエンドのベースラインと同等であることがわかった。
論文 参考訳(メタデータ) (2022-04-13T08:16:03Z) - QAConv: Question Answering on Informative Conversations [85.2923607672282]
ビジネスメールやパネルディスカッション,作業チャネルなど,情報的な会話に重点を置いています。
合計で、スパンベース、フリーフォーム、および回答不能な質問を含む34,204のQAペアを収集します。
論文 参考訳(メタデータ) (2021-05-14T15:53:05Z) - Towards Data Distillation for End-to-end Spoken Conversational Question
Answering [65.124088336738]
音声対話型質問応答タスク(SCQA)を提案する。
SCQAは,音声発話とテキストコーパスから複雑な対話の流れをモデル化することを目的としている。
我々の主な目的は、音声とテキストの両方で会話的な質問に対処するQAシステムを構築することである。
論文 参考訳(メタデータ) (2020-10-18T05:53:39Z) - Open-Domain Question Answering Goes Conversational via Question
Rewriting [15.174807142080192]
会話コンテキストにおける質問書き直しのための新しいデータセット(QreCC)を導入する。
QReCCの課題は、1000万のWebページの集合の中で会話による質問に対する答えを見つけることである。
以上の結果から,QReCCデータセットの最初のベースラインはF1が19.10であり,人間の上限が75.45であるのに対して,セットアップの困難さと改善の余地が大きいことが示唆された。
論文 参考訳(メタデータ) (2020-10-10T04:28:42Z) - Tell Me How to Ask Again: Question Data Augmentation with Controllable
Rewriting in Continuous Space [94.8320535537798]
機械読解(MRC)、質問生成、質問答え自然言語推論タスクのための制御可能な書き換えベースの質問データ拡張(CRQDA)。
質問データ拡張タスクを制約付き質問書き換え問題として扱い、コンテキスト関連、高品質、多様な質問データサンプルを生成する。
論文 参考訳(メタデータ) (2020-10-04T03:13:46Z) - Fluent Response Generation for Conversational Question Answering [15.826109118064716]
本稿では,SEQ2SEQ NLGアプローチで応答をシチュレートする手法を提案する。
我々は、エンドツーエンドシステムのトレーニングデータを生成するためにデータ拡張を使用します。
論文 参考訳(メタデータ) (2020-05-21T04:57:01Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト(すべての情報・翻訳含む)の品質を保証せず、本サイト(すべての情報・翻訳含む)を使用して発生したあらゆる結果について一切の責任を負いません。