論文の概要: ISEEQ: Information Seeking Question Generation using Dynamic
Meta-Information Retrieval and Knowledge Graphs
- arxiv url: http://arxiv.org/abs/2112.07622v1
- Date: Mon, 13 Dec 2021 04:02:13 GMT
- ステータス: 処理完了
- システム内更新日: 2021-12-15 14:38:39.368296
- Title: ISEEQ: Information Seeking Question Generation using Dynamic
Meta-Information Retrieval and Knowledge Graphs
- Title（参考訳）: ISEEQ:動的メタ情報検索と知識グラフを用いた情報検索質問生成
- Authors: Manas Gaur, Kalpa Gunaratna, Vijay Srinivasan, Hongxia Jin
- Abstract要約: 本稿では,エンドユーザからの短い初期質問に基づいて,ISQ(Information Seeking Questions)を生成する新しい手法を提案する。
ISEEQは知識グラフを使用してユーザクエリを強化し、関連するコンテキストパスを取得する。
CISエージェントの開発を促進するために,ISEEQは高品質なISQを生成することができることを示す。
- 参考スコア（独自算出の注目度）: 42.98709486732392
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Conversational Information Seeking (CIS) is a relatively new research area
within conversational AI that attempts to seek information from end-users in
order to understand and satisfy users' needs. If realized, such a system has
far-reaching benefits in the real world; for example, a CIS system can assist
clinicians in pre-screening or triaging patients in healthcare. A key open
sub-problem in CIS that remains unaddressed in the literature is generating
Information Seeking Questions (ISQs) based on a short initial query from the
end-user. To address this open problem, we propose Information SEEking Question
generator (ISEEQ), a novel approach for generating ISQs from just a short user
query, given a large text corpus relevant to the user query. Firstly, ISEEQ
uses a knowledge graph to enrich the user query. Secondly, ISEEQ uses the
knowledge-enriched query to retrieve relevant context passages to ask coherent
ISQs adhering to a conceptual flow. Thirdly, ISEEQ introduces a new deep
generative-adversarial reinforcement learning-based approach for generating
ISQs. We show that ISEEQ can generate high-quality ISQs to promote the
development of CIS agents. ISEEQ significantly outperforms comparable baselines
on five ISQ evaluation metrics across four datasets having user queries from
diverse domains. Further, we argue that ISEEQ is transferable across domains
for generating ISQs, as it shows the acceptable performance when trained and
tested on different pairs of domains. The qualitative human evaluation confirms
ISEEQ-generated ISQs are comparable in quality to human-generated questions and
outperform the best comparable baseline.
- Abstract（参考訳）: conversational information seeking(cis)は、会話型aiにおける比較的新しい研究領域であり、ユーザのニーズを理解し満足させるために、エンドユーザから情報を求める。
実現すれば、そのようなシステムは現実世界で広範囲にわたる利益を享受できる。例えば、cisシステムは、医療におけるプレスクリーニングやトリアージの患者を助けることができる。
CISにおける重要なサブプロブレムは、エンドユーザーからの短い初期クエリに基づいてISQ(Information Seeking Questions)を生成することである。
この問題に対処するため,我々は,ユーザクエリに関連する大きなテキストコーパスに対して,短いユーザクエリからisqを生成するための新しい手法である information seeking question generator (iseeq) を提案する。
まず、ISEEQは知識グラフを使ってユーザクエリを強化します。
第二に、ISEEQは知識に富んだクエリを使用して関連するコンテキストパスを検索し、概念フローに忠実なISQを問う。
第3に、iseeqはisqを生成するための新しいディープジェネレーティブ-アドバーサリー強化学習アプローチを導入している。
CISエージェントの開発を促進するために,ISEEQは高品質なISQを生成することができることを示す。
ISEEQは、さまざまなドメインからのユーザクエリを持つ4つのデータセットにわたる5つのISQ評価指標において、同等のベースラインを著しく上回る。
さらに、ISEEQはISQを生成するドメイン間で転送可能であり、異なるドメインに対してトレーニングおよびテストを行う際に許容される性能を示す。
定性的な人間の評価は、ISEEQの生成したISQは、人間の生成した質問に匹敵する品質であり、最も優れたベースラインを上回っていることを確認した。
関連論文リスト
- Grounding-IQA: Multimodal Language Grounding Model for Image Quality Assessment [69.07445098168344]
我々は,新しい画像品質評価(IQA)タスクパラダイム,グラウンドング-IQAを導入する。
Grounding-IQAは2つのサブタスクからなる: Grounding-IQA-description (GIQA-DES) と visual question answering (GIQA-VQA)。
グラウンドディング-IQAを実現するために,提案した自動アノテーションパイプラインを通じて対応するデータセットGIQA-160Kを構築した。
提案したタスクパラダイム,データセット,ベンチマークが,よりきめ細かいIQAアプリケーションを促進することを示す。
論文 参考訳（メタデータ） (2024-11-26T09:03:16Z) - FusionMind -- Improving question and answering with external context
fusion [0.0]
事前学習言語モデル(LM)と知識グラフ(KG)を用いて,文脈知識が質問応答目標(QA)に与える影響を検討した。
知識事実のコンテキストを取り入れることで、パフォーマンスが大幅に向上することがわかった。
このことは、文脈的知識事実の統合が、質問応答のパフォーマンスを高める上でより影響があることを示唆している。
論文 参考訳（メタデータ） (2023-12-31T03:51:31Z) - DeSIQ: Towards an Unbiased, Challenging Benchmark for Social
Intelligence Understanding [60.84356161106069]
複雑な社会的相互作用のビデオ上での複数選択質問のデータセットであるSocial-IQの健全性について検討する。
分析の結果,Social-IQにはある程度のバイアスがあり,適度に強い言語モデルによって活用できることがわかった。
ソーシャルIQに単純な摂動を適用して構築した,新たな挑戦的データセットであるDeSIQを紹介する。
論文 参考訳（メタデータ） (2023-10-24T06:21:34Z) - SQUARE: Automatic Question Answering Evaluation using Multiple Positive
and Negative References [73.67707138779245]
SQuArE (Sentence-level QUestion AnsweRing Evaluation) という新しい評価指標を提案する。
文レベルの抽出(回答選択)と生成(GenQA)の両方のQAシステムでSQuArEを評価する。
論文 参考訳（メタデータ） (2023-09-21T16:51:30Z) - Toward Unsupervised Realistic Visual Question Answering [70.67698100148414]
現実的なVQA(RVQA)の問題について検討し、モデルが答えられない質問(UQ)を拒絶し、答えられる質問(AQ)に答えなければならない。
1)データセットには不整合UQが多すぎること,(2)多数の注釈付きUQがトレーニングに必要とされること,の2つの欠点を最初に指摘した。
我々は、既存のVQAデータセットのAQと約29万の人間の注釈付きUQを組み合わせた新しいテストデータセットRGQAを提案する。
これは、画像と質問をランダムにペアリングして得られる擬似UQと、それを結合する。
論文 参考訳（メタデータ） (2023-03-09T06:58:29Z) - Improving Unsupervised Question Answering via Summarization-Informed
Question Generation [47.96911338198302]
質問生成 (QG) とは, 質問文, 質問文, 質問文, 質問文, 質問文, 質問文, 質問文, 質問文, 質問文, 質問文, 質問文、質問文、質問文、質問文、質問文、質問文、質問文、質問文、質問文、質問文、質問文、質問文、質問文、質問文、質問文、質問文、質問文、質問文、質問文、
我々は、自由なニュース要約データを使用し、宣言文を依存性解析、名前付きエンティティ認識、セマンティックロールラベリングを用いて適切な質問に変換する。
得られた質問は、元のニュース記事と組み合わせて、エンドツーエンドのニューラルQGモデルをトレーニングする。
論文 参考訳（メタデータ） (2021-09-16T13:08:43Z) - EQG-RACE: Examination-Type Question Generation [21.17100754955864]
本論文では, RACEから抽出したデータセットをもとに, 試験型質問生成手法 (EQG-RACE) を提案する。
EQG-RACEでは、離散的な回答情報を扱うための2つの主要な戦略と、長い文脈における推論が採用されています。
実験結果は、ベースラインよりも優れたEQG-RACEの最先端の性能を示しています。
論文 参考訳（メタデータ） (2020-12-11T03:52:17Z) - Summary-Oriented Question Generation for Informational Queries [23.72999724312676]
主文書のトピックに焦点をあてた自己説明的質問を,適切な長さのパスで答えられるようにすることを目的としている。
本モデルでは,NQデータセット(20.1BLEU-4)上でのSQ生成のSOTA性能を示す。
我々はさらに,本モデルをドメイン外のニュース記事に適用し,ゴールド質問の欠如によるQAシステムによる評価を行い,私たちのモデルがニュース記事に対してより良いSQを生成することを実証し,人間による評価によるさらなる確認を行う。
論文 参考訳（メタデータ） (2020-10-19T17:30:08Z)
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。