論文の概要: ComQA:Compositional Question Answering via Hierarchical Graph Neural Networks

• arxiv url: http://arxiv.org/abs/2101.06400v1
• Date: Sat, 16 Jan 2021 08:23:27 GMT
• ステータス: 処理完了
• システム内更新日: 2021-03-28 08:00:46.090369
• Title: ComQA:Compositional Question Answering via Hierarchical Graph Neural Networks
• Title（参考訳）: ComQA:階層型グラフニューラルネットワークによる複合質問応答
• Authors: Bingning Wang, Ting Yao, Weipeng Chen, Jingfang Xu and Xiaochuan Wang
• Abstract要約: 我々は,120万以上の人間ラベル質問を含む大規模構成質問応答データセットを提案する。 ComQA問題に対処するために,低レベル語から高レベル語までの文書を表す階層型グラフニューラルネットワークを提案する。 提案モデルは,先行する機械読解法や事前学習法に比べて大幅に改善する。
• 参考スコア（独自算出の注目度）: 47.12013005600986
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: With the development of deep learning techniques and large scale datasets, the question answering (QA) systems have been quickly improved, providing more accurate and satisfying answers. However, current QA systems either focus on the sentence-level answer, i.e., answer selection, or phrase-level answer, i.e., machine reading comprehension. How to produce compositional answers has not been throughout investigated. In compositional question answering, the systems should assemble several supporting evidence from the document to generate the final answer, which is more difficult than sentence-level or phrase-level QA. In this paper, we present a large-scale compositional question answering dataset containing more than 120k human-labeled questions. The answer in this dataset is composed of discontiguous sentences in the corresponding document. To tackle the ComQA problem, we proposed a hierarchical graph neural networks, which represents the document from the low-level word to the high-level sentence. We also devise a question selection and node selection task for pre-training. Our proposed model achieves a significant improvement over previous machine reading comprehension methods and pre-training methods. Codes and dataset can be found at \url{https://github.com/benywon/ComQA}.
• Abstract（参考訳）: ディープラーニング技術と大規模データセットの開発により、質問応答(QA)システムは急速に改善され、より正確で満足な回答が提供された。 しかし、現在のQAシステムは、文レベルの答え、すなわち、回答の選択、またはフレーズレベルの答え、すなわち機械読解に焦点をあてている。 構成的回答の作り方については、まだ研究されていない。 構成質問応答では, 文レベルや句レベルのQAよりも難しい最終回答を生成するために, 文書からいくつかの支持証拠を収集する必要がある。 本稿では,120万以上の人間ラベル質問を含む大規模構成質問応答データセットを提案する。 このデータセットの答えは、対応する文書の不連続な文からなる。 ComQA問題に対処するために,低レベル語から高レベル語までの文書を表す階層型グラフニューラルネットワークを提案する。 また,事前学習のための質問選択とノード選択タスクも考案する。 提案モデルは,先行する機械読解法や事前学習法に比べて大幅に改善する。 コードとデータセットは \url{https://github.com/benywon/ComQA} で見ることができる。

関連論文リスト

• Improving Question Generation with Multi-level Content Planning [70.37285816596527]
  本稿では、与えられたコンテキストと回答から質問を生成する問題に対処し、特に拡張されたコンテキストをまたいだマルチホップ推論を必要とする質問に焦点をあてる。 具体的には、キーフレーズを同時に選択して完全な回答を生成するFA-modelと、生成した全回答を付加的な入力として取り込んだQ-modelの2つのコンポーネントを含む。
  論文  参考訳（メタデータ） (2023-10-20T13:57:01Z)
• Modern Question Answering Datasets and Benchmarks: A Survey [5.026863544662493]
  質問回答(QA)は、自然言語処理(NLP)の最も重要なタスクの一つである。 NLP技術を用いて、大量の非構造化コーパスに基づいて、与えられた質問に対する対応する回答を生成することを目的としている。 本稿では,ディープラーニングの時代にリリースされた,影響力あるQAデータセットについて検討する。
  論文  参考訳（メタデータ） (2022-06-30T05:53:56Z)
• Multifaceted Improvements for Conversational Open-Domain Question Answering [54.913313912927045]
  対話型オープンドメイン質問回答(MICQA)のための多面的改善フレームワークを提案する。 第一に、提案したKL分割に基づく正規化は、検索と解答のためのより良い質問理解をもたらすことができる。 第二に、追加されたポストランカモジュールは、より関連性の高いパスをトップにプッシュし、2アスペクトの制約で読者に選択できる。 第3に、十分に設計されたカリキュラム学習戦略は、訓練と推論の黄金の通路設定のギャップを効果的に狭め、黄金の通路支援なしで真の答えを見つけることを奨励する。
  論文  参考訳（メタデータ） (2022-04-01T07:54:27Z)
• UNIQORN: Unified Question Answering over RDF Knowledge Graphs and Natural Language Text [20.1784368017206]
  知識グラフのようなRDFデータに対する質問応答は大幅に進歩している。 IRとNLPのコミュニティはテキストによるQAに対処してきたが、そのようなシステムは意味データや知識をほとんど利用していない。 本稿では,RDFデータセットとテキストコーパスを併用した複雑な質問をシームレスに操作する手法を提案する。
  論文  参考訳（メタデータ） (2021-08-19T10:50:52Z)
• PeCoQ: A Dataset for Persian Complex Question Answering over Knowledge Graph [0.0]
  本稿では,ペルシャ語質問応答のためのデータセットである textitPeCoQ を紹介する。 このデータセットには、ペルシャの知識グラフであるFarsBaseから抽出された1万の複雑な質問と回答が含まれている。 データセットには、マルチリレーション、マルチエンタリティ、順序性、時間的制約など、さまざまな種類の複雑さがある。
  論文  参考訳（メタデータ） (2021-06-27T08:21:23Z)
• TSQA: Tabular Scenario Based Question Answering [14.92495213480887]
  シナリオベースの質問応答(SQA)が研究の関心を集めている。 本研究を支援するため,GeoTSQAを構築した。 テーブル・トゥ・テキストの新しいジェネレータであるTTGenにより、最新のMRCメソッドを拡張します。
  論文  参考訳（メタデータ） (2021-01-14T02:00:33Z)
• XTQA: Span-Level Explanations of the Textbook Question Answering [32.67922842489546]
  テキスト質問回答(英語: Textbook Question Answering、TQA)とは、大きなマルチモーダルコンテキストを前提として、ダイアグラムやノンダイアグラムの質問に答えるべきタスクである。 我々は,提案した粗粒度アルゴリズムに基づいて,TQAの幅レベルのeXplanationsに向けた新しいアーキテクチャを提案する。 実験結果から,XTQAはベースラインに比べて最先端性能を著しく向上することがわかった。
  論文  参考訳（メタデータ） (2020-11-25T11:44:12Z)
• Open Question Answering over Tables and Text [55.8412170633547]
  オープンな質問応答(QA)では、質問に対する回答は、質問に対する回答を含む可能性のある文書を検索して分析することによって生成される。 ほとんどのオープンQAシステムは、構造化されていないテキストからのみ情報を取得することを検討している。 我々は,このタスクの性能を評価するために,新しい大規模データセット Open Table-and-Text Question Answering (OTT-QA) を提案する。
  論文  参考訳（メタデータ） (2020-10-20T16:48:14Z)
• ClarQ: A large-scale and diverse dataset for Clarification Question Generation [67.1162903046619]
  そこで我々は,スタックエクスチェンジから抽出したポストコメンデーションに基づいて,多様な,大規模な明確化質問データセットの作成を支援する,新しいブートストラップフレームワークを考案した。 質問応答の下流タスクに適用することで,新たに作成したデータセットの有用性を定量的に示す。 我々はこのデータセットを公開し、ダイアログと質問応答システムの拡張という大きな目標を掲げて、質問生成の分野の研究を促進する。
  論文  参考訳（メタデータ） (2020-06-10T17:56:50Z)
• Semantic Graphs for Generating Deep Questions [98.5161888878238]
  本稿では、まず、入力文書のセマンティックレベルグラフを構築し、次にアテンションベースのGGNN(Att-GGNN)を導入してセマンティックグラフを符号化する新しいフレームワークを提案する。 HotpotQAのDeep-question中心のデータセットでは、複数の事実の推論を必要とする問題よりもパフォーマンスが大幅に向上し、最先端のパフォーマンスを実現しています。
  論文  参考訳（メタデータ） (2020-04-27T10:52:52Z)

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。