論文の概要: Knowing-how & Knowing-that: A New Task for Machine Reading Comprehension
of User Manuals
- arxiv url: http://arxiv.org/abs/2306.04187v1
- Date: Wed, 7 Jun 2023 06:46:56 GMT
- ステータス: 処理完了
- システム内更新日: 2023-06-08 15:59:37.206651
- Title: Knowing-how & Knowing-that: A New Task for Machine Reading Comprehension
of User Manuals
- Title（参考訳）: knowledge-how & knowledge-that: ユーザマニュアルの機械読解のための新しいタスク
- Authors: Hongru Liang, Jia Liu, Weihong Du, dingnan jin, Wenqiang Lei, Zujie
Wen, Jiancheng Lv
- Abstract要約: 本稿では,ユーザマニュアルに関するファクトイドスタイル,プロシージャスタイル,一貫性のない疑問に答えるために,モデルを必要とするノウハウとノウハウのタスクを紹介する。
我々は,様々な質問の統一推論を支援するグラフ(TARA)のステップと事実を共同で表現することで,この課題を解決する。
- 参考スコア（独自算出の注目度）: 23.008244149595587
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The machine reading comprehension (MRC) of user manuals has huge potential in
customer service. However,current methods have trouble answering complex
questions. Therefore, we introduce the Knowing-how & Knowing-that task that
requires the model to answer factoid-style, procedure-style, and inconsistent
questions about user manuals. We resolve this task by jointly representing the
steps and facts in a graph (TARA), which supports a unified inference of
various questions. Towards a systematical benchmarking study, we design a
heuristic method to automatically parse user manuals into TARAs and build an
annotated dataset to test the model's ability in answering real-world
questions. Empirical results demonstrate that representing user manuals as
TARAs is a desired solution for the MRC of user manuals. An in-depth
investigation of TARA further sheds light on the issues and broader impacts of
future representations of user manuals. We hope our work can move the MRC of
user manuals to a more complex and realistic stage.
- Abstract（参考訳）: ユーザマニュアルの機械読解(MRC)は、カスタマーサービスにおいて大きな可能性を秘めている。
しかし、現在の手法では複雑な質問に答えるのが困難である。
そこで本研究では,ユーザマニュアルに関するファクトイドスタイル,プロシージャスタイル,一貫性のない質問に対して,モデルが答える必要があるタスクの知識方法と知識について紹介する。
我々は,様々な質問の統一推論を支援するグラフ(TARA)のステップと事実を共同で表現することで,この課題を解決する。
体系的なベンチマーク研究に向けて,ユーザマニュアルをタラスに自動解析し,実世界の質問に答えるモデルの能力をテストするアノテートデータセットを構築するヒューリスティックな手法を設計した。
実験の結果,ユーザマニュアルをタラスとして表現することは,ユーザマニュアルのmrcに対して望ましいソリューションであることがわかった。
TARAの詳細な調査では、ユーザマニュアルの今後の表現に関する問題や、より広範な影響が明らかにされている。
私たちの仕事がユーザマニュアルのmrcをより複雑で現実的なステージに移行できることを願っています。
関連論文リスト
- CARE: A Clue-guided Assistant for CSRs to Read User Manuals [21.92763998870322]
ユーザマニュアル、特に情報豊富なものを読む際に、顧客サービス表現(CSR)のための読書アシスタントを構築するのに時間がかかります。
本稿では,CSRのための時間節約かつ注意深い読解支援システムであるCAREを提案する。
これにより、CSRは明示的な手がかりチェーンを通じて、ユーザマニュアルから適切なレスポンスを素早く見つけることができる。
論文 参考訳（メタデータ） (2024-08-07T08:44:44Z) - KIWI: A Dataset of Knowledge-Intensive Writing Instructions for
Answering Research Questions [63.307317584926146]
ユーザ命令に従うように適応された大規模言語モデル(LLM)は、現在では会話エージェントとして広くデプロイされている。
そこで本研究では,より一般的な命令追従タスクとして,長文の回答作成を支援することを提案する。
我々は、科学領域における知識集約的な記述命令のデータセットKIWIを構築した。
論文 参考訳（メタデータ） (2024-03-06T17:16:44Z) - A large language model-assisted education tool to provide feedback on
open-ended responses [2.624902795082451]
本稿では,大規模言語モデル (LLM) をインストラクター定義基準でガイドし,オープンエンド質問に対する応答を自動化するツールを提案する。
本ツールでは,素早いパーソナライズされたフィードバックを提供することで,学生が知識を迅速にテストし,改善すべき領域を特定できる。
論文 参考訳（メタデータ） (2023-07-25T19:49:55Z) - AVIS: Autonomous Visual Information Seeking with Large Language Model
Agent [123.75169211547149]
本稿では,視覚的質問応答フレームワークAVISを提案する。
本手法は,LLM(Large Language Model)を利用して外部ツールの利用を動的に強化する。
AVIS は Infoseek や OK-VQA などの知識集約型視覚質問応答ベンチマークの最先端結果を達成する。
論文 参考訳（メタデータ） (2023-06-13T20:50:22Z) - Read and Reap the Rewards: Learning to Play Atari with the Help of Instruction Manuals [69.76245723797368]
Read and Rewardは、Atariゲーム開発者がリリースしたマニュアルを読むことで、Atariゲーム上のRLアルゴリズムを高速化する。
各種RLアルゴリズムは,設計支援による性能向上とトレーニング速度の向上を実現している。
論文 参考訳（メタデータ） (2023-02-09T05:47:03Z) - Why Machine Reading Comprehension Models Learn Shortcuts? [56.629192589376046]
トレーニングデータにおけるショートカットの質問の大部分が、モデルが過度にショートカットのトリックに依存している、と私たちは主張する。
徹底的な実証分析により、MRCモデルは挑戦的な質問よりも早くショートカットの質問を学習する傾向が示されている。
論文 参考訳（メタデータ） (2021-06-02T08:43:12Z) - Retrieve, Program, Repeat: Complex Knowledge Base Question Answering via
Alternate Meta-learning [56.771557756836906]
本稿では,弱い監督からプログラマと交互に検索モデルを自動的に学習する手法を提案する。
本システムでは,知識ベースに対する複雑な質問応答を行う大規模タスクにおいて,最先端のパフォーマンスを実現する。
論文 参考訳（メタデータ） (2020-10-29T18:28:16Z) - Retrospective Reader for Machine Reading Comprehension [90.6069071495214]
機械読み取り理解(英: Machine reading comprehension、MRC)とは、機械が与えられた文節に基づいて質問に対する正しい答えを決定することを要求するAIチャレンジである。
不可解な質問が MRC タスクに関与している場合、検証モジュールと呼ばれる本質的な検証モジュールがエンコーダに加えて特に必要となる。
本稿では, MRC タスクに対して, 解答不能な質問に対して, より優れた検証器設計を提案する。
論文 参考訳（メタデータ） (2020-01-27T11:14:34Z)
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。