論文の概要: A Question Type Driven and Copy Loss Enhanced Frameworkfor
Answer-Agnostic Neural Question Generation
- arxiv url: http://arxiv.org/abs/2005.11665v1
- Date: Sun, 24 May 2020 07:09:04 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-29 13:14:10.850567
- Title: A Question Type Driven and Copy Loss Enhanced Frameworkfor
Answer-Agnostic Neural Question Generation
- Title(参考訳): 質問型駆動型およびコピーロス拡張フレームワークによる解答非依存的神経質問生成
- Authors: Xiuyu Wu, Nan Jiang and Yunfang Wu
- Abstract要約: 本稿では,質問型予測と複写損失機構という,回答に依存しない質問生成タスクに対処する2つの新しい手法を提案する。
質問タイプモジュールは、質問すべき質問の種類を予測することで、モデルが同じソース文に対して複数のタイプの質問を生成することができる。
新しいコピーロスにより、元のコピーメカニズムが強化され、質問を生成する際に、ソース文のすべての重要な単語がコピーされたことを確認する。
- 参考スコア(独自算出の注目度): 17.819949636876018
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The answer-agnostic question generation is a significant and challenging
task, which aims to automatically generate questions for a given sentence but
without an answer. In this paper, we propose two new strategies to deal with
this task: question type prediction and copy loss mechanism. The question type
module is to predict the types of questions that should be asked, which allows
our model to generate multiple types of questions for the same source sentence.
The new copy loss enhances the original copy mechanism to make sure that every
important word in the source sentence has been copied when generating
questions. Our integrated model outperforms the state-of-the-art approach in
answer-agnostic question generation, achieving a BLEU-4 score of 13.9 on SQuAD.
Human evaluation further validates the high quality of our generated questions.
We will make our code public available for further research.
- Abstract(参考訳): 回答非依存の質問生成は重要かつ困難なタスクであり、ある文に対する質問を自動的に生成することを目的としている。
本稿では,この課題に対処する2つの新しい戦略として,質問型予測と複写損失機構を提案する。
質問型モジュールは、要求すべき質問の種類を予測することで、モデルが同じソース文に対して複数のタイプの質問を生成することができます。
新しいコピーロスは原文のコピー機構を強化し、質問を生成する際に原文中のすべての重要な単語がコピーされたことを保証する。
統合モデルは、回答非依存の質問生成において最先端のアプローチを上回り、squadで13.9のbleu-4スコアを達成している。
人間の評価は、生成した質問の質をさらに高める。
私たちはさらなる研究のためにコードを公開します。
関連論文リスト
- Don't Just Say "I don't know"! Self-aligning Large Language Models for Responding to Unknown Questions with Explanations [70.6395572287422]
自己調整法は,回答を拒否するだけでなく,未知の質問の解答不能を説明できる。
我々は, LLM自体を微調整し, 未知の質問に対する応答を所望の通りに調整するために, 偏差駆動による自己計算を行い, 有資格データを選択する。
論文 参考訳(メタデータ) (2024-02-23T02:24:36Z) - "What makes a question inquisitive?" A Study on Type-Controlled
Inquisitive Question Generation [35.87102025753666]
質問生成のためのタイプ制御フレームワークを提案する。
私たちは、ソーステキストから描画しながら、特定のタイプに固執する様々な質問を生成します。
また、生成した集合から1つの質問を選択する戦略についても検討する。
論文 参考訳(メタデータ) (2022-05-17T02:05:50Z) - MixQG: Neural Question Generation with Mixed Answer Types [54.23205265351248]
このギャップを埋めるために、ニューラル質問生成器MixQGを提案する。
yes/no, multiple-choice, extractive, abstractive answerなど,9つの質問応答データセットと多様な回答タイプを組み合わせる。
私たちのモデルは、目に見えない領域と見えない領域の両方で、既存の作業より優れています。
論文 参考訳(メタデータ) (2021-10-15T16:03:40Z) - Controllable Open-ended Question Generation with A New Question Type
Ontology [6.017006996402699]
複数の文で通常答えられるオープンエンドな質問を生成するという,探索の少ない課題について検討する。
まず、広く使われている質問語よりも、質問のニュアンスの性質をよりよく区別する新しい質問型オントロジーを定義する。
次に,意味グラフ表現によって拡張された質問型認識型質問生成フレームワークを提案する。
論文 参考訳(メタデータ) (2021-07-01T00:02:03Z) - Answering Ambiguous Questions through Generative Evidence Fusion and
Round-Trip Prediction [46.38201136570501]
本稿では,複数の通路からの証拠を集約し,一つの回答や質問対の集合を適応的に予測するモデルを提案する。
我々のモデルはRefuelと呼ばれ、AmbigQAデータセット上で新しい最先端のパフォーマンスを実現し、NQ-OpenおよびTriviaQA上での競合性能を示す。
論文 参考訳(メタデータ) (2020-11-26T05:48:55Z) - Inquisitive Question Generation for High Level Text Comprehension [60.21497846332531]
InQUISITIVEは、文書を読みながら19K質問を抽出するデータセットである。
我々は,読者が情報を求めるための実践的な戦略に携わることを示す。
我々は, GPT-2に基づく質問生成モデルを評価し, 妥当な質問を生成することができることを示す。
論文 参考訳(メタデータ) (2020-10-04T19:03:39Z) - 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) - Reinforced Multi-task Approach for Multi-hop Question Generation [47.15108724294234]
我々は,その文脈における支援事実に基づいて,関連する質問を生成することを目的としたマルチホップ質問生成を取り上げている。
我々は,質問生成を導くために,回答認識支援事実予測の補助タスクを備えたマルチタスク学習を採用する。
マルチホップ質問応答データセットHotPotQAの実験を通して,提案手法の有効性を実証する。
論文 参考訳(メタデータ) (2020-04-05T10:16:59Z) - Unsupervised Question Decomposition for Question Answering [102.56966847404287]
本論文では, ワンツーNアン教師付きシーケンスシーケンス(ONUS)のアルゴリズムを提案する。
当初,ドメイン外,マルチホップ開発セットのベースラインが強かったため,HotpotQAでは大きなQA改善が見られた。
論文 参考訳(メタデータ) (2020-02-22T19:40:35Z) - Asking Questions the Human Way: Scalable Question-Answer Generation from
Text Corpus [23.676748207014903]
問合せ型質問生成(ACS-QG)を提案する。
ラベルなしテキストコーパスから高品質で多様な質問応答ペアを大規模に自動生成することを目的としている。
ウィキペディアで見つかった100万の文から、280万の質保証された質問応答ペアを生成することができる。
論文 参考訳(メタデータ) (2020-01-27T05:27:09Z)
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。