論文の概要: Knowledge-Aided Open-Domain Question Answering

• arxiv url: http://arxiv.org/abs/2006.05244v1
• Date: Tue, 9 Jun 2020 13:28:57 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-23 14:54:14.357899
• Title: Knowledge-Aided Open-Domain Question Answering
• Title（参考訳）: 知識支援オープンドメイン質問応答
• Authors: Mantong Zhou, Zhouxing Shi, Minlie Huang, Xiaoyan Zhu
• Abstract要約: 本稿では,知識支援型オープンドメインQA(KAQA)手法を提案する。 文書検索の際、質問と他の文書との関係を考慮し、候補文書を採点する。 回答の再ランク付けの間、候補の回答は、自身のコンテキストだけでなく、他の文書からのヒントを使って再ランクされる。
• 参考スコア（独自算出の注目度）: 58.712857964048446
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Open-domain question answering (QA) aims to find the answer to a question from a large collection of documents.Though many models for single-document machine comprehension have achieved strong performance, there is still much room for improving open-domain QA systems since document retrieval and answer reranking are still unsatisfactory. Golden documents that contain the correct answers may not be correctly scored by the retrieval component, and the correct answers that have been extracted may be wrongly ranked after other candidate answers by the reranking component. One of the reasons is derived from the independent principle in which each candidate document (or answer) is scored independently without considering its relationship to other documents (or answers). In this work, we propose a knowledge-aided open-domain QA (KAQA) method which targets at improving relevant document retrieval and candidate answer reranking by considering the relationship between a question and the documents (termed as question-document graph), and the relationship between candidate documents (termed as document-document graph). The graphs are built using knowledge triples from external knowledge resources. During document retrieval, a candidate document is scored by considering its relationship to the question and other documents. During answer reranking, a candidate answer is reranked using not only its own context but also the clues from other documents. The experimental results show that our proposed method improves document retrieval and answer reranking, and thereby enhances the overall performance of open-domain question answering.
• Abstract（参考訳）: オープンドメイン質問応答 (QA) は, 大量の文書から質問に対する回答を見つけることを目的としており, シングルドキュメントマシン理解のモデルが多く, 高い性能を達成しているにもかかわらず, 文書検索と回答のランク付けがまだ不十分であるため, オープンドメインQAシステムを改善する余地がまだたくさんある。 正しい回答を含むゴールデン文書は、検索コンポーネントによって正しくスコア付けされず、抽出された正しい回答は、再ランキングコンポーネントによって他の候補回答の後に誤ってランク付けされる可能性がある。 理由の1つは、各候補文書(または回答)が他の文書(または回答)との関係を考慮せずに独立して得点される独立原理に由来する。 本研究では,質問文と文書(質問文書グラフ)の関係と候補文書(文書文書グラフ)の関係を考慮し,関連文書検索と候補回答の再評価を改善するための知識支援型オープンドメインQA(KAQA)手法を提案する。 グラフは外部の知識リソースから3倍の知識を使って構築される。 文書検索中、質問やその他の文書との関係を考慮して候補文書を得点する。 回答の再ランク付けの間、候補の回答は、自身のコンテキストだけでなく、他の文書からのヒントを使って再ランクされる。 実験の結果,提案手法は文書検索と回答の再ランキングを改善し,オープンドメイン質問応答の総合的性能を向上させることがわかった。

関連論文リスト

• Entity Retrieval for Answering Entity-Centric Questions [4.327763441385372]
  本稿では,質問文書の類似性に頼るのではなく,検索文書を識別するために,質問内の健全な実体に依存する新しい検索手法を提案する。 以上の結果から,本手法はエンティティ中心の質問に対してより正確な回答をもたらすだけでなく,より効率的に操作できることが判明した。
  論文  参考訳（メタデータ） (2024-08-05T19:23:20Z)
• CAPSTONE: Curriculum Sampling for Dense Retrieval with Document Expansion [68.19934563919192]
  本稿では,学習中に擬似クエリを利用して,生成したクエリと実際のクエリとの関係を徐々に向上させるカリキュラムサンプリング戦略を提案する。 ドメイン内およびドメイン外両方のデータセットに対する実験結果から,本手法が従来の高密度検索モデルより優れていることが示された。
  論文  参考訳（メタデータ） (2022-12-18T15:57:46Z)
• Generate rather than Retrieve: Large Language Models are Strong Context Generators [74.87021992611672]
  本稿では,文書検索を大規模言語モデル生成器に置き換えることで,知識集約型タスクを解く新しい視点を提案する。 我々は,提案手法をgenRead (genRead) と呼び,まず大きな言語モデルに対して,与えられた質問に基づいて文脈文書を生成し,次に生成された文書を読み出して最終回答を生成する。
  論文  参考訳（メタデータ） (2022-09-21T01:30:59Z)
• Asking questions on handwritten document collections [35.85762649504866]
  本研究は手書き文書コレクションにおける質問回答(QA)の問題に対処する。 一般的なQAやVQA(Visual Question Answering)とは違い,回答は短いテキストである。 我々は,手書き文書や,堅牢なテキスト認識が困難な歴史的コレクションに,認識自由なアプローチが適していると主張している。
  論文  参考訳（メタデータ） (2021-10-02T02:40:40Z)
• Adaptive Information Seeking for Open-Domain Question Answering [61.39330982757494]
  本稿では,オープンドメイン質問応答,すなわちAISOに対する適応型情報探索手法を提案する。 学習方針によると、AISOは適切な検索行動を選択し、各ステップで行方不明の証拠を探すことができる。 AISOは、検索と回答の評価の両方の観点から、事前定義された戦略で全てのベースライン手法を上回ります。
  論文  参考訳（メタデータ） (2021-09-14T15:08:13Z)
• End-to-End Multihop Retrieval for Compositional Question Answering over Long Documents [93.55268936974971]
  本稿では,長い文書の合成問題に答えるマルチホップ検索手法であるDocHopperを提案する。 各ステップでDocHopperは文書から段落や文を検索し、検索した結果とクエリを混合し、次のステップでクエリを更新する。 文書構造を活用すれば、長い文書の質問応答や検索性能を大幅に改善できることを示す。
  論文  参考訳（メタデータ） (2021-06-01T03:13:35Z)
• Answering Any-hop Open-domain Questions with Iterative Document Reranking [62.76025579681472]
  オープンドメインの問に答える統合QAフレームワークを提案する。 提案手法は,シングルホップおよびマルチホップのオープンドメインQAデータセットにおいて,最先端技術に匹敵する性能を継続的に達成する。
  論文  参考訳（メタデータ） (2020-09-16T04:31:38Z)

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。