論文の概要: Answer Generation for Retrieval-based Question Answering Systems

• arxiv url: http://arxiv.org/abs/2106.00955v1
• Date: Wed, 2 Jun 2021 05:45:49 GMT
• ステータス: 処理完了
• システム内更新日: 2021-06-03 14:35:51.976288
• Title: Answer Generation for Retrieval-based Question Answering Systems
• Title（参考訳）: 検索型質問応答システムのための回答生成
• Authors: Chao-Chun Hsu, Eric Lind, Luca Soldaini, Alessandro Moschitti
• Abstract要約: シーケンス・トゥ・シークエンス・トランスモデルを訓練し、候補集合から解を生成する。 英語のAS2データセットを3つ比較したところ, 精度は32点まで向上した。
• 参考スコア（独自算出の注目度）: 80.28727681633096
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Recent advancements in transformer-based models have greatly improved the ability of Question Answering (QA) systems to provide correct answers; in particular, answer sentence selection (AS2) models, core components of retrieval-based systems, have achieved impressive results. While generally effective, these models fail to provide a satisfying answer when all retrieved candidates are of poor quality, even if they contain correct information. In AS2, models are trained to select the best answer sentence among a set of candidates retrieved for a given question. In this work, we propose to generate answers from a set of AS2 top candidates. Rather than selecting the best candidate, we train a sequence to sequence transformer model to generate an answer from a candidate set. Our tests on three English AS2 datasets show improvement up to 32 absolute points in accuracy over the state of the art.
• Abstract（参考訳）: 近年のトランスフォーマーベースモデルの進歩により,質問回答システム(QA)による正しい回答を提供する能力が大幅に向上し,特に検索ベースシステムの中核コンポーネントである回答文選択モデル(AS2)が目覚ましい結果を得た。 一般的には有効だが、たとえ正しい情報を含んでいても、検索された全ての候補者が品質が悪い場合、これらのモデルは満足のいく答えを提供しない。 AS2では、与えられた質問に対して検索された候補のうち、最高の回答文を選択するためにモデルが訓練される。 本稿では,AS2トップ候補の集合から回答を生成することを提案する。 最適な候補を選択するのではなく、候補セットから回答を生成するためにシーケンスからシーケンストランスフォーマモデルを訓練する。 3つの英語as2データセットで行ったテストでは、最先端よりも精度が最大32点向上しました。

関連論文リスト

• Context-Aware Transformer Pre-Training for Answer Sentence Selection [102.7383811376319]
  本稿では,文脈AS2のダウンストリーム微調整タスクを模倣する3つの事前学習目標を提案する。 実験の結果,事前学習手法により,いくつかのデータセットにおいて,ベースライン文脈AS2精度を最大8%向上できることがわかった。
  論文  参考訳（メタデータ） (2023-05-24T17:10:45Z)
• Knowledge Transfer from Answer Ranking to Answer Generation [97.38378660163414]
  我々は、訓練されたAS2モデルから知識を伝達することで、GenQAモデルをトレーニングすることを提案する。 また,AS2モデル予測スコアを損失重み付けおよびスコア条件付き入出力整形に用いることを提案する。
  論文  参考訳（メタデータ） (2022-10-23T21:51:27Z)
• Double Retrieval and Ranking for Accurate Question Answering [120.69820139008138]
  本研究では,トランスフォーマーを用いた解答選択モデルに導入された解答検証ステップが,問合せ解答における解答の精度を大幅に向上させることを示す。 AS2のためのよく知られた3つのデータセットの結果は、最先端の一貫性と大幅な改善を示している。
  論文  参考訳（メタデータ） (2022-01-16T06:20:07Z)
• Joint Models for Answer Verification in Question Answering Systems [85.93456768689404]
  我々は3方向のマルチクラス化器を構築し、解答が他の解答をサポートするか、反証するか、あるいは中立かを決定する。 私たちは、WikiQA、TREC-QA、実世界のデータセットでモデルをテストしました。
  論文  参考訳（メタデータ） (2021-07-09T05:34:36Z)
• MS-Ranker: Accumulating Evidence from Potentially Correct Candidates for Answer Selection [59.95429407899612]
  そこで我々は,MS-Ranker という,新しい強化学習に基づくマルチステップランキングモデルを提案する。 我々は、候補の潜在的な正しさを明示的に考慮し、ゲーティング機構で証拠を更新する。 我々のモデルは、外部リソースに依存しない既存の手法を著しく上回ります。
  論文  参考訳（メタデータ） (2020-10-10T10:36:58Z)

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。