論文の概要: A Comparative and Experimental Study on Automatic Question Answering
Systems and its Robustness against Word Jumbling
- arxiv url: http://arxiv.org/abs/2311.15513v1
- Date: Mon, 27 Nov 2023 03:17:09 GMT
- ステータス: 処理完了
- システム内更新日: 2023-11-28 17:16:52.216243
- Title: A Comparative and Experimental Study on Automatic Question Answering
Systems and its Robustness against Word Jumbling
- Title（参考訳）: 自動質問応答システムの比較および実験的検討 : 単語の発声に対するロバスト性
- Authors: Shashidhar Reddy Javaji, Haoran Hu, Sai Sameer Vennam, Vijaya Gajanan
Buddhavarapu
- Abstract要約: なぜなら、頻繁に質問される質問(FAQ)リストは、限られた数の質問しか持たないからである。
質問応答生成が可能なモデルは、データの範囲内にある全く新しい質問に答えることができる。
商用アプリケーションでは、顧客満足度と使いやすさを高めるために使用することができる。
しかし、多くのデータは人間によって生成されるため、ヒューマンエラーの影響を受けやすく、モデルの性能に悪影響を及ぼす可能性がある。
- 参考スコア（独自算出の注目度）: 0.49157446832511503
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Question answer generation using Natural Language Processing models is
ubiquitous in the world around us. It is used in many use cases such as the
building of chat bots, suggestive prompts in google search and also as a way of
navigating information in banking mobile applications etc. It is highly
relevant because a frequently asked questions (FAQ) list can only have a finite
amount of questions but a model which can perform question answer generation
could be able to answer completely new questions that are within the scope of
the data. This helps us to be able to answer new questions accurately as long
as it is a relevant question. In commercial applications, it can be used to
increase customer satisfaction and ease of usage. However a lot of data is
generated by humans so it is susceptible to human error and this can adversely
affect the model's performance and we are investigating this through our work
- Abstract（参考訳）: 自然言語処理モデルを用いた質問応答生成は、私たちを取り巻く世界においてユビキタスである。
チャットボットの構築、Google検索における提案的プロンプト、および銀行モバイルアプリケーションにおける情報のナビゲート方法など、多くのユースケースで使用されている。
頻繁に質問される質問(FAQ)リストは、限られた量の質問しか持たないが、質問応答生成が可能なモデルは、データの範囲内にある全く新しい質問に答えることができるため、非常に関連性が高い。
これにより、関連する質問である限り、新しい質問に正確に答えられるようになります。
商用アプリケーションでは、顧客満足度と使いやすさを高めるために利用できます。
しかし、多くのデータは人間によって生成されるため、ヒューマンエラーの影響を受けやすく、モデルの性能に悪影響を及ぼす可能性がある。
関連論文リスト
- Analyzing Human Questioning Behavior and Causal Curiosity through Natural Queries [91.70689724416698]
NatQuest(ナットクエスト)は、3つの異なるソースから自然発生の質問13,500件のコレクションである。
分析の結果,データセット内には因果的疑問(最大42%)が有意な存在であることが判明した。
論文 参考訳（メタデータ） (2024-05-30T17:55:28Z) - STaR-GATE: Teaching Language Models to Ask Clarifying Questions [32.71841885198304]
有用な質問を生成するために,言語モデルの自己改善能力について検討する。
25,500のユニークなペルソナ・タスク・プロンプトの合成データセットを生成する。
より良い質問をするために言語モデルを教えることは、よりパーソナライズされた回答につながる。
論文 参考訳（メタデータ） (2024-03-28T05:35:22Z) - Answering Ambiguous Questions with a Database of Questions, Answers, and
Revisions [95.92276099234344]
ウィキペディアから生成される曖昧な質問のデータベースを利用して、あいまいな質問に答えるための新しい最先端技術を提案する。
提案手法は,リコール対策で15%,予測出力から不明瞭な質問を評価する尺度で10%向上する。
論文 参考訳（メタデータ） (2023-08-16T20:23:16Z) - MixQG: Neural Question Generation with Mixed Answer Types [54.23205265351248]
このギャップを埋めるために、ニューラル質問生成器MixQGを提案する。
yes/no, multiple-choice, extractive, abstractive answerなど,9つの質問応答データセットと多様な回答タイプを組み合わせる。
私たちのモデルは、目に見えない領域と見えない領域の両方で、既存の作業より優れています。
論文 参考訳（メタデータ） (2021-10-15T16:03:40Z) - Generating Answer Candidates for Quizzes and Answer-Aware Question
Generators [16.44011627249311]
そこで本研究では,テキストの文通しに対して,所定の数の回答候補を生成できるモデルを提案する。
実験の結果,提案する回答候補生成モデルは,いくつかのベースラインよりも優れていた。
論文 参考訳（メタデータ） (2021-08-29T19:33:51Z) - A Dataset of Information-Seeking Questions and Answers Anchored in
Research Papers [66.11048565324468]
1,585の自然言語処理論文に関する5,049の質問のデータセットを提示する。
各質問は、対応する論文のタイトルと要約のみを読むNLP実践者によって書かれ、質問は全文に存在する情報を求めます。
他のQAタスクでうまく機能する既存のモデルは、これらの質問に答える上ではうまく機能せず、論文全体から回答する際には、少なくとも27 F1ポイントパフォーマンスが低下します。
論文 参考訳（メタデータ） (2021-05-07T00:12:34Z) - GooAQ: Open Question Answering with Diverse Answer Types [63.06454855313667]
さまざまな回答型を持つ大規模データセットであるGooAQを紹介する。
このデータセットには500万の質問と300万の回答が含まれている。
論文 参考訳（メタデータ） (2021-04-18T05:40:39Z) - Inquisitive Question Generation for High Level Text Comprehension [60.21497846332531]
InQUISITIVEは、文書を読みながら19K質問を抽出するデータセットである。
我々は,読者が情報を求めるための実践的な戦略に携わることを示す。
我々は, GPT-2に基づく質問生成モデルを評価し, 妥当な質問を生成することができることを示す。
論文 参考訳（メタデータ） (2020-10-04T19:03:39Z) - Asking Questions the Human Way: Scalable Question-Answer Generation from
Text Corpus [23.676748207014903]
問合せ型質問生成(ACS-QG)を提案する。
ラベルなしテキストコーパスから高品質で多様な質問応答ペアを大規模に自動生成することを目的としている。
ウィキペディアで見つかった100万の文から、280万の質保証された質問応答ペアを生成することができる。
論文 参考訳（メタデータ） (2020-01-27T05:27:09Z)
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。