論文の概要: A Comparison of Question Rewriting Methods for Conversational Passage Retrieval

• arxiv url: http://arxiv.org/abs/2101.07382v1
• Date: Tue, 19 Jan 2021 00:17:52 GMT
• ステータス: 処理完了
• システム内更新日: 2021-03-22 11:17:59.168820
• Title: A Comparison of Question Rewriting Methods for Conversational Passage Retrieval
• Title（参考訳）: 会話パス検索における質問書き直し手法の比較
• Authors: Svitlana Vakulenko, Nikos Voskarides, Zhucheng Tu, Shayne Longpre
• Abstract要約: 会話文の検索は、元の質問を書き換えて変更することで、もはや会話履歴に依存しないようにする。 いくつかの質問書き直し手法が最近提案されているが、異なる探索パイプラインで比較された。 このギャップを埋めるために、TREC CAsT 2019および2020データセットの質問書き換え方法を、同じ検索パイプラインで徹底的に評価します。
• 参考スコア（独自算出の注目度）: 6.490148466525755
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Conversational passage retrieval relies on question rewriting to modify the original question so that it no longer depends on the conversation history. Several methods for question rewriting have recently been proposed, but they were compared under different retrieval pipelines. We bridge this gap by thoroughly evaluating those question rewriting methods on the TREC CAsT 2019 and 2020 datasets under the same retrieval pipeline. We analyze the effect of different types of question rewriting methods on retrieval performance and show that by combining question rewriting methods of different types we can achieve state-of-the-art performance on both datasets.
• Abstract（参考訳）: 会話文の検索は、元の質問を書き換えて変更することで、もはや会話履歴に依存しないようにする。 いくつかの質問書き直し手法が最近提案されているが、異なる探索パイプラインで比較された。 このギャップを、TREC CAsT 2019と2020データセットの質問書き直し方法を、同じ検索パイプラインで徹底的に評価することで埋める。 質問書換え手法の違いが検索性能に及ぼす影響を分析し,質問書換え手法を組み合わせることで,両者のデータセットにおいて最先端の性能が得られることを示す。

関連論文リスト

• LoL: A Comparative Regularization Loss over Query Reformulation Losses for Pseudo-Relevance Feedback [70.44530794897861]
  Pseudo-Relevance feedback (PRF) は、検索精度を向上させるための効果的なクエリ修正手法であることが証明されている。 既存のPRF手法は、同じクエリから派生した修正クエリを個別に扱うが、異なる数のフィードバックドキュメントを使用する。 そこで我々はLos-over-Loss(LoL)フレームワークを提案する。
  論文  参考訳（メタデータ） (2022-04-25T10:42:50Z)
• On the Evaluation of Answer-Agnostic Paragraph-level Multi-Question Generation [57.630606799713526]
  本研究は,所定の段落から有意な質問の集合を予測するタスクについて,その解答の事前知識を伴わずに検討する。 まず、ハンガリーのアルゴリズムを用いて、提案したペアをスコア付けする前に、予測された質問を参照に割り当てることにより、参照の集合に対して予測された質問の集合を評価する新しい手法を提案する。 第2に,事前学習したseq2seqモデルを用いて,与えられた段落に関連する質問の集合を生成し,選択するための異なる戦略を比較した。
  論文  参考訳（メタデータ） (2022-03-09T00:55:54Z)
• Contextual Fine-to-Coarse Distillation for Coarse-grained Response Selection in Open-Domain Conversations [48.046725390986595]
  オープンドメイン会話における粗粒度応答選択のための文脈ファイン・ツー・コアス(CFC)蒸留モデルを提案する。 提案モデルの性能を評価するため,RedditコメントダンプとTwitterコーパスに基づく2つの新しいデータセットを構築した。
  論文  参考訳（メタデータ） (2021-09-24T08:22:35Z)
• 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)
• Joint Passage Ranking for Diverse Multi-Answer Retrieval [56.43443577137929]
  質問に対する複数の異なる回答をカバーするために、パスの取得を必要とする探索不足の問題であるマルチアンサー検索について検討する。 モデルが別の有効な答えを逃す費用で同じ答えを含む通路を繰り返すべきではないので、このタスクは、検索された通路の共同モデリングを必要とします。 本稿では,再順位に着目したジョイントパス検索モデルであるJPRを紹介する。 回収された通路の合同確率をモデル化するために、JPRは、新しい訓練および復号アルゴリズムを備えた通路のシーケンスを選択する自動回帰リタイナを利用する。
  論文  参考訳（メタデータ） (2021-04-17T04:48:36Z)
• Cross-Modal Retrieval Augmentation for Multi-Modal Classification [61.5253261560224]
  画像の非構造化外部知識源とそれに対応するキャプションを用いて視覚的質問応答を改善する。 まず,画像とキャプションを同一空間に埋め込むための新しいアライメントモデルを訓練し,画像検索の大幅な改善を実現する。 第2に、トレーニングされたアライメントモデルを用いた検索強化マルチモーダルトランスは、強いベースライン上でのVQAの結果を改善することを示す。
  論文  参考訳（メタデータ） (2021-04-16T13:27:45Z)
• Leveraging Query Resolution and Reading Comprehension for Conversational Passage Retrieval [6.490148466525755]
  本稿では,TREC CAsT 2020トラックでのUvA.ILPSグループ参加について述べる。 パイプラインは, (i) BM25を用いた初期検索モジュールと, (ii) BERTランキングモデルのスコアと, 通過検索のために調整された機械理解モデルのスコアを組み合わせた再ランクモジュールから構成される。
  論文  参考訳（メタデータ） (2021-02-17T14:41:57Z)
• Memory Augmented Sequential Paragraph Retrieval for Multi-hop Question Answering [32.69969157825044]
  本稿では,段落を逐次データとしてモデル化し,マルチホップ情報検索をシーケンスラベリングタスクの一種とみなす新しいアーキテクチャを提案する。 本手法は,公開テキストマルチホップQAデータセットであるHotpotQAのフルwikiとイントラクタサブタスクの両方で評価する。
  論文  参考訳（メタデータ） (2021-02-07T08:15:51Z)

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。