awesome qa

대답하는 멋진 질문

기계 학습 및 딥 러닝 사용에 대한 정보 검색 및 자연어 처리 (NLP)의 분야 내에서 컴퓨터 과학 분야 인 질문 답변 (QA) 주제의 선별 된 목록

정보검색및자연언어처리분아야의질의응답에관한큐레이션- 머신러닝과딥러닝단계까지
Q & A 시스템 주제의 선택된 목록, 정보 검색 및 자연어 처리 분야의 컴퓨터 과학 분야 - 머신 러닝 및 딥 러닝 사용

내용물

• 최근 트렌드
• QA에 대해
• 이벤트
• 시스템
• QA의 경쟁
• 출판물
• 코드
• 강의
• 슬라이드
• 데이터 세트 컬렉션
• 데이터 세트
• 서적
• 모래밭

최근 트렌드

최근 QA 모델

• DILBERT : 효율적인 오픈 도메인 질문 답변을 위해 변압기 기반 인코더의 상호 작용 층 지연 (2020)
  • 종이 : https://arxiv.org/pdf/2010.08422.pdf
  • github : https://github.com/wissam-sib/dilbert
• UnifiedQA : 단일 QA 시스템과의 교차 형식 경계 (2020)
  • 데모 : https://unifiedqa.apps.allenai.org/
• PROQA : Open-Domain QA 및 IR에 대한 밀도가 높은 코퍼스 지수를 사전 해제하는 자원 효율적인 방법. (2020)
  • 종이 : https://arxiv.org/pdf/2005.00038.pdf
  • github : https://github.com/xwhan/proqa
• Tydi QA : 유형 학적으로 다양한 언어로 정보를 찾는 질문에 대한 벤치 마크 (2020)
  • 종이 : https://arxiv.org/ftp/arxiv/papers/2003/2003.05002.pdf
• 기계 읽기 이해를위한 후 향적 독자
  • 종이 : https://arxiv.org/pdf/2001.09694v2.pdf
• TANDA : 답변 문장 선택을위한 미리 훈련 된 변압기 모델을 전송 및 적응 시키십시오 (AAAI 2020)
  • 종이 : https://arxiv.org/pdf/1911.04118.pdf

최근 언어 모델

• Electra : 발전기가 아닌 판별 자로서 사전 훈련 텍스트 인코더, Kevin Clark, et al., ICLR, 2020.
• Tinybert : 자연 언어 이해를위한 증류점, Xiaoqi Jiao 등, ICLR, 2020.
• Minilm : 미리 훈련 된 변압기의 작업에 대한 압축을위한 깊은 자체 변환 증류, Wenhui Wang, et al., Arxiv, 2020.
• T5 : 통합 된 텍스트-텍스트 변압기, Colin Raffel 등을 사용하여 전송 학습의 한계를 탐색하여 Arxiv Preprint, 2019.
• Ernie : 유익한 엔티티, Zhengyan Zhang 등의 언어 표현이 향상되었습니다.
• XLNET : 언어 이해를위한 일반화 된 자동 회귀 사전 조정, Zhilin Yang, et al., Arxiv Preprint, 2019.
• Albert : 언어 표현에 대한 자기 감독 학습을위한 라이트 버트, Zhenzhong Lan, et al., Arxiv Preprint, 2019.
• Roberta : 강력하게 최적화 된 Bert Pretraining 접근법, Yinhan Liu 등, Arxiv Preprint, 2019.
• Distilbert, Bert의 불화 버전 : 작고, 빠르고, 저렴하며 가벼운, Victor Sanh, et al., Arxiv, 2019.
• Spanbert : 스팬을 나타내고 예측하여 사전 훈련 개선, Mandar Joshi 등, Tacl, 2019.
• BERT : 언어 이해를위한 심층 양방향 변압기의 사전 훈련, Jacob Devlin, et al., NAACL 2019, 2018.

AAAI 2020

• TANDA : 답변 문장 선택에 대한 사전 훈련 된 변압기 모델을 전송 및 적응시켜 Siddhant Garg 등, AAAI 2020, 2019 년 11 월.

ACL 2019

• Mediqa 2019 공유 작업에 대한 개요, 텍스트 추론, 질문 엔터테인먼트 및 질문 답변, Asma Ben Abacha, et al., ACL-W 2019, 2019 년 8 월.
• NLP 애플리케이션에 도전하기위한 확장 가능하고 신뢰할 수있는 캡슐 네트워크를 향해, Wei Zhao, et al., ACL 2019, 2019 년 6 월.
• 규모의 멀티 홉 읽기 이해를위한인지 그래프, Ming Ding 등, ACL 2019, 2019 년 6 월.
• 실시간 오픈 도메인 질문은 밀도가 높은 스피트 문구 인덱스, Minjoon Seo 등, ACL 2019, 2019 년 6 월에 응답합니다.
• Cloze Translation, Patrick Lewis 등, ACL 2019, 2019 년 6 월에 대한 감독되지 않은 질문 답변.
• SEMEVAL-2019 과제 10 : 수학 질문 응답, Mark Hopkins 등, ACL-W 2019, 2019 년 6 월.
• 지식 인식 독자, Wenhan Xiong 등, ACL 2019, 2019 년 5 월에 불완전한 KB에 대한 질문에 대한 질문 개선.
• 일치하는 기사는 그래픽 분해 및 컨볼 루션, Bang Liu 등, ACL 2019, 2019 년 5 월 쌍
• 에피소드 메모리 리더 : 스트리밍 데이터에서 질문에 대한 질문에 대해 기억해야 할 사항, Moonsu Han, et al., ACL 2019, 2019 년 3 월.
• 자연스러운 질문 : 질문에 대한 질문에 대한 벤치 마크, Tom Kwiatkowski 등, TACL 2019, 2019 년 1 월.
• 교과서 질문은 멀티 모달 컨텍스트 그래프 이해 및 자기 감독 개방형 이해력, Daesik Kim, et al., ACL 2019, 2018 년 11 월.

Emnlp-ijcnlp 2019

• 지식 기반으로 언어 모델?, Fabio Petron 등, EMNLP-IJCNLP 2019, 2019 년 9 월.
• LXMERT : Transformers, Hao Tan, et al., EMNLP-IJCNLP 2019, 2019 년 12 월의 교차 모임 인코더 표현 학습.
• 반복 쿼리 생성, Peng QI 등, EMNLP-IJCNLP 2019, 2019 년 10 월을 통한 복잡한 오픈 도메인 질문에 답변합니다.
• KAGNET : 상식 추론을위한 지식 인식 그래프 네트워크, Bill Yuchen Lin 등, EMNLP-IJCNLP 2019, 2019 년 9 월.
• 다양한 서열 생성을위한 혼합 내용 선택, Jaemin Cho 등, EMNLP-IJCNLP 2019, 2019 년 9 월.
• 약하게 감독 된 질문 답변에 대한 개별 하드 EM 접근, Sewon Min, et al., Emnlp-ijcnlp, 2019, 2019 년 9 월.

arxiv

• Passage Ranking에 대한 Bert의 성공과 실패를 조사, Harshith Padigela 등, Arxiv Preprint, 2019 년 5 월.
• 대화 질문 답변에 대한 역사 답변이 포함 된 Bert, Chen Qu, et al., Arxiv Preprint, 2019 년 5 월.
• 순위에서 Bert의 행동을 이해, Yifan Qiao 등, Arxiv Preprint, 2019 년 4 월.
• 검토 읽기 이해력 및 종횡비 기반 감정 분석을위한 Bert Post-Training, Hu Xu 등, Arxiv Preprint, 2019 년 4 월.
• Bertserini, Wei Yang 등과의 응답 엔드 투 엔드 오픈 도메인 질문, Arxiv Preprint, 2019 년 2 월.
• 자연스러운 질문에 대한 버트 기준, Chris Alberti, et al., Arxiv Preprint, 2019 년 1 월.
• Bert, Rodrigo Nogueira 등과의 통과 재 계정, Arxiv Preprint, 2019 년 1 월.
• SDNET : 대화 질문 답변을위한 맥락화 된주의 기반 딥 네트워크, Cheng Zhu, et al., Arxiv, 2018 년 12 월.

데이터 세트

• ELI5 : 긴 양식 질문 답변, Angela Fan 등, ACL 2019, 2019 년 7 월
• Codah : 상식에 대한 대적으로 작성된 질문에 대한 답변 데이터 세트, Michael Chen, et al., Repeval 2019, 2019 년 6 월.

QA에 대해

QA의 유형

• 단일 회전 QA : 컨텍스트를 고려하지 않고 대답하십시오
• 대화 QA : 이전 대화 회전을 사용하십시오

QA의 하위 유형

• 지식 기반 QA
• 테이블/목록 기반 QA
• 텍스트 기반 QA
• 커뮤니티 기반 QA
• 시각적 QA

QA 시스템의 사전 처리를위한 분석 및 구문 분석

lanugage 분석

1. 형태 학적 분석
2. 명명 된 엔티티 인식 (NER)
3. 동성애 / 폴리 세미 분석
4. 구문 구문 분석 (의존성 구문 분석)
5. 시맨틱 인식

대부분의 QA 시스템에는 대략 3 개의 부품이 있습니다

1. 사실 추출
   
   1. 엔티티 추출
      
      1. 명명 된 엔티티 인식 (NER)
   2. 관계 추출
      
2. 질문 이해
3. 답을 생성합니다

이벤트

• Wolfram Alpha는 2009 년에 답변 엔진을 끊었습니다.
• IBM Watson System은 최고의 Jeopardy를 물리 쳤습니다! 2011 년 챔피언.
• Apple의 Siri는 2011 년 Wolfram Alpha의 답변 엔진을 통합했습니다.
• Google은 지식 그래프를 시작하여 2012 년 무료 기본 지식 기반을 활용하여 QA를 포함 시켰습니다.
• 아마존 에코 | Alexa (2015), Google Home | Google Assistant (2016), Invoke | Ms Cortana (2017), HomePod (2017)

시스템

• IBM WATSON- 최첨단 공연이 있습니다.
• Facebook DRQA- 분대 1.0 데이터 세트에 적용됩니다. Squad2.0 데이터 세트가 출시되었습니다. 그러나 DRQA는 아직 테스트되지 않았습니다.
• MIT Media Lab의 지식 그래프는 컴퓨터가 사람들이 사용하는 단어의 의미를 이해하도록 도와 주도록 설계된 자유롭게 사용할 수있는 시맨틱 네트워크입니다.

QA의 경쟁

	데이터 세트	언어	조직자	부터	최고 순위	모델	상태	인간의 성과에 대한
0	이야기 클로즈 테스트	영어	Univ. 로체스터의	2016	MSAP	로지스틱 회귀	닫은	엑스
1	MS 마르코	영어	마이크로 소프트	2016	Yuanfudao Research NLP	화성	닫은	영형
2	MS Marco V2	영어	마이크로 소프트	2018	NTT Media Intelli. 랩.	가면극 Q & A 스타일	열렸다	엑스
3	분대	영어	Univ. 스탠포드의	2018	xlnet (단일 모델)	xlnet 팀	닫은	영형
4	분대 2.0	영어	Univ. 스탠포드의	2018	Pingan Omni-Sinitic	Albert + DAAF + VERIFIER (앙상블)	열렸다	영형
5	Triviaqa	영어	Univ. 워싱턴의	2017	Ming Yan	-	닫은	-
6	데 칸트	영어	Salesforce Research	2018	Salesforce Research	MQAN	닫은	엑스
7	Dureader ver1.	중국인	바이두	2015	시도하는 사람	T- 리더 (싱글)	닫은	엑스
8	Dureader Ver2.	중국인	바이두	2017	르네상스	Aliireader	열렸다	-
9	Korquad	한국인	LG CNS AI 연구	2018	Clova ai 유충 팀	유충 -Kor-large + + Claf (싱글)	닫은	영형
10	Korquad 2.0	한국인	LG CNS AI 연구	2019	Kangwon National University	Knu-Baseline (단일 모델)	열렸다	엑스
11	Coqa	영어	Univ. 스탠포드의	2018	Zhuiyi 기술	Roberta + AT + KD (앙상블)	열렸다	영형

출판물

• 서류
  • "텍스트를 탈지하는 법 배우기", Adams Wei Yu, Hongrae Lee, Quoc V. Le, 2017. : 텍스트에서 원하는 것을 보여줍니다.
  • "지역 신경주의에 대한 깊은 공동 실체 명확성", Octavian-Eugen Ganea 및 Thomas Hofmann, 2017.
  • "기계 이해력을위한 양방향 주의적 흐름", Minjoon Seo, Aniruddha Kembhavi, Ali Farhadi, Hananneh Hajishirzi, ICLR, 2017.
  • Matthew Francis-Landau, Greg Durrett 및 Dan Klei, NAACL-HLT 2016.
    • https://github.com/matthewfl/nlp-entity-convnet
  • "지식 기반과 연결되는 엔티티 : 문제, 기술 및 솔루션", Wei Shen, Jianyong Wang, Jiawei Han, IEEE 지식 및 데이터 엔지니어링 (TKDE), 2014.
  • "This is Watson에 대한 소개, IBM 연구 개발 저널, Da Ferrucci, 2012.
  • "정보 검색 관점에서 기술에 대한 질문에 대한 설문 조사", Information Sciences, 2011.
  • "제한된 영역에서의 질문 : 개요", Diego Mollá 및 José Luis Vicedo, Computational Linguistics, 2007
  • "자연 언어 질문 답변 : 여기의 견해", L Hirschman, R Gaizauskas, 자연 언어 공학, 2001.
  • 엔티티 명단 / 엔티티 링크

코드

• BIDAF- 양방향주의 흐름 (BIDAF) 네트워크는 다른 수준의 세분성에서의 컨텍스트를 나타내며 양방향주의 흐름 메커니즘을 사용하여 초기 요약없이 쿼리 인식 컨텍스트 표현을 얻는 다단계 계층 적 프로세스입니다.
  • 공식적인; 텐서 플로우 v1.2
  • 종이
• QANET- Q & A 아키텍처는 반복적 인 네트워크가 필요하지 않습니다. 인코더는 컨볼 루션 및 자체 변환으로 구성되며, 여기서 Convolution은 국소 상호 작용 및 자체 변환 모델 글로벌 상호 작용으로 구성됩니다.
  • Google; 비공식; 텐서 플로우 v1.5
  • 종이
• R-NET- 독해 스타일 질문 응답을위한 엔드 투 엔드 신경망 모델.
  • MS; Hkust에 의해 비공식적으로; 텐서 플로우 v1.5
  • 종이
• r-net-in-keras-keras의 r-net 재 구현.
  • MS; 비공식; Keras v2.0.6
  • 종이
• DRQA -DRQA는 공개 도메인 질문 답변에 적용되는 독해를위한 시스템입니다.
  • 페이스 북; 공식적인; Pytorch v0.4
  • 종이
• BERT- 변압기의 양방향 인코더 표현을 나타내는 새로운 언어 표현 모델. 최근 언어 표현 모델과 달리 Bert는 모든 계층에서 왼쪽 및 오른쪽 컨텍스트를 공동으로 조절하여 깊은 자전거 표현을 미리 훈련하도록 설계되었습니다.
  • Google; 공식 구현; 텐서 플로우 v1.11.0
  • 종이

강의

• 질문 답변 - 자연어 처리 - Dragomir Radev, Ph.D. | 미시간 대학교 | 2016.

슬라이드

• Scott Wen -Tau Yih & Hao MA | Microsoft Research | 2016.
• 질문 답변 - Dr. Mariana Neves | Hasso Plattner Institut | 2017.

데이터 세트 컬렉션

• Nliwod의 질문에 대한 답변 데이터 세트
• 자연 언어 처리를위한 Karthinkncode의 데이터 세트

데이터 세트

• AI2 과학 질문 v2.1 (2017)
  • 초등학교 및 중학교 학년에 걸쳐 미국의 학생 평가에 사용 된 질문으로 구성됩니다. 각 질문은 4 방향 객관식 형식이며 다이어그램 요소를 포함하거나 포함하지 않을 수도 있습니다.
  • 종이 : http://ai2-website.s3.amazonaws.com/publications/ai2reasoningchallenge2018.pdf
• 어린이 도서 테스트
• 그것은 자동 텍스트 이해와 추론의 목표를 향해 구성된 Facebook AI Research의 BABI 프로젝트 중 하나입니다. CBT는 언어 모델이 더 넓은 언어 적 맥락을 악용 할 수있는 방법을 직접 측정하도록 설계되었습니다.
• 코다 데이터 세트
• Deepmind Q & A 데이터 세트; CNN/데일리 메일
  • Hermann et al. (2015)는 Q & A 연구를 위해 뉴스 기사를 사용하여 두 가지 멋진 데이터 세트를 만들었습니다. 각 데이터 세트에는 많은 문서 (각각 90k 및 197k)가 포함되어 있으며 각 문서 회사는 평균 4 개의 질문에 대략 4 개의 질문이 있습니다. 각 질문은 하나의 누락 된 단어/문구가있는 문장으로,이 문서/컨텍스트에서 찾을 수 있습니다.
  • 종이 : https://arxiv.org/abs/1506.03340
• ELI5
  • 종이 : https://arxiv.org/abs/1907.09190
• 그래프 퀘스트
  • QA 평가를위한 특징이 풍부한 질문 세트를 생성 할 때.
• LC-Quad
  • 5000 질문과 SPARQL 쿼리가 포함 된 Gold Standard KBQA (지식 기반에 대한 질문) 데이터 세트입니다. LC-Quad는 DBPEDIA V04.16을 대상 KB로 사용합니다.
• MS 마르코
  • 이것은 실제 질문에 대한 답변입니다.
  • 종이 : https://arxiv.org/abs/1611.09268
• Multirc
  • 짧은 단락 및 다중 문장 질문 데이터 세트
  • 종이 : http://cogcomp.org/page/publication_view/833
• 내러티브 Qa
  • 여기에는 Wikipedia 요약이 포함 된 문서 목록, 전체 이야기 링크 및 질문 및 답변이 포함됩니다.
  • 종이 : https://arxiv.org/pdf/1712.07040v1.pdf
• Newsqa
  • 기계 이해 데이터 세트
  • 종이 : https://arxiv.org/pdf/1611.09830.pdf
• CMU의 Qestion-Answer 데이터 세트
  • 이것은 학업 연구에 사용하기 위해 Wikipedia 기사, 수동으로 생성 된 사실 질문 및 이러한 질문에 대한 수동으로 생성 된 답변의 코퍼스입니다. 이 데이터는 Noah Smith, Michael Heilman, Rebecca Hwa, Shay Cohen, Kevin Gimpel 및 2008 년과 2010 년 사이에 Carnegie Mellon University의 많은 학생들에 의해 수집되었습니다.
• 분대 1.0
  • 스탠포드 질문 답변 데이터 세트 (Squad)는 Wikipedia 기사 세트에서 크라우드 노동자들이 제기 한 질문으로 구성된 독해 데이터 세트로, 모든 질문에 대한 답변은 해당 독서 구절에서 텍스트 또는 스팬이거나 의문의 여지가 없을 수 있습니다.
  • 종이 : https://arxiv.org/abs/1606.05250
• Squad2.0
  • Squad2.0은 Squad1.1의 100,000 개의 질문을 5 만 개가 넘는 새로운 대답 할 수없는 질문을 크라우드 노동자들이 반짝이는 질문에 대답하는 것과 비슷한 것으로 보입니다. Squad2.0에서 잘 수행하려면 시스템은 가능한 경우 질문에 답변 할뿐만 아니라 단락에 의해 답변이 지원되지 않는시기를 결정하고 응답을 금지해야합니다.
  • 종이 : https://arxiv.org/abs/1806.03822
• 이야기 클로즈 테스트
  • 'Story Cloze Test'는 스토리 이해, 스토리 세대 및 스크립트 학습을 평가하기위한 새로운 상식 추론 프레임 워크입니다. 이 테스트는 시스템이 4 문장 이야기의 올바른 결말을 선택해야합니다.
  • 종이 : https://arxiv.org/abs/1604.01696
• Triviaqa
  • Triviaqa는 650k 이상의 질문 응답 트리플을 포함하는 독해 데이터 세트입니다. Triviaqa에는 퀴즈 애호가가 저술 한 95K 질문 응답 쌍과 평균적으로 질문 당 6 개가 독립적으로 수집 된 증거 ​​문서를 포함하여 질문에 답변하기위한 고품질의 먼 감독을 제공합니다.
  • 종이 : https://arxiv.org/abs/1705.03551
• 위키카
  • 공개 도메인 질문에 대한 공개 된 질문과 문장 쌍.

5 년 이내에 IBM Watson의 출판물의 DeepQA 연구팀

• 2015
  • "IBM Watson의 전자 의료 기록에서 자동화 된 문제 목록 생성", Murthy Devarakonda, Ching-Huei Tsou, IAAI, 2015.
  • "IBM Watson 질문에 대한 의사 결정", J. William Murdock, Ontology Summit, 2015.
  • "IBM Watson의 감독되지 않은 실체 관계 분석", Aditya Kalyanpur, J William Murdock, ACS, 2015.
  • "상식 추론 : 이벤트 미적분 기반 접근법", ET Mueller, Morgan Kaufmann/Elsevier, 2015.
• 2014
  • "문제 지향 환자 기록 요약 : Watson 응용 프로그램에 대한 초기 보고서", M. Devarakonda, Dongyang Zhang, Ching-Huei Tsou, M. Bornea, Healthcom, 2014.
  • "WatsonPaths : 시나리오 기반 질문 답변 및 추론", Adam Lally, Sugato Bachi, Michael A. Barborak, David W. Buchanan, Jennifer Chu-Carroll, David A. Ferrucci*, Michael R. Glass, Aditya Kalyanpur, Erik T. Mueller, J. William Murdock, Siddhan, Patwardhan, Patwardhan, Patwardhan, Patwardhan, Patwardhan IBM 연구 보고서 RC25489, 2014.
  • "매니 폴드 모델을 통한 의료 관계 추출", Chang Wang 및 James Fan, ACL, 2014.

5 년 이내에 MS Research의 간행물

• 2018
  • Xiao Yang, Ahmed Hassan Awadallah, Madian Khabsa, Wei Wang, Miaosen Wang, ACM Sigir, 2018.
  • "그림 QA : 시각적 추론을위한 주석이 달린 피겨 데이터 세트", Samira Ebrahimi Kahou, Vincent Michalski, Adam Atkinson, Akos Kadar, Adam Trischler, Yoshua Bengio, ICLR, 2018
• 2017
  • "시각적 질문 응답을위한 다단계주의 네트워크", Dongfei Yu, Jianlong Fu, Tao Mei, Yong Rui, CVPR, 2017.
  • "질문 답변 및 질문 세대에 대한 공동 모델", Tong Wang, Xingdi (Eric) Yuan, Adam Trischler, ICML, 2017.
  • "기계 이해력의 전송 학습을위한 2 단계 합성 네트워크", David Golub, Po-Sen Huang, Xiaodong HE, Li Deng, Emnlp, 2017.
  • "문법적으로 해석 가능한 표현과의 답변", Hamid Palangi, Paul Smolensky, Xiaodong HE, Li Deng,
  • "순차적 질문에 대한 검색 기반 신경 구조 학습", Mohit Iyyer, Wen-Tau Yih, Ming-Wei Chang, ACL, 2017.
• 2016
  • "이미지 질문 응답을위한주의 네트워크 스택", Zichao Yang, Xiaodong HE, Jianfeng Gao, Li Deng, Alex Smola, CVPR, 2016.
  • "지식 기반, 웹 및 그 너머에 대한 질문", Yih, Scott Wen-Tau 및 Ma, Hao, Acm Sigir, 2016.
  • "Newsqa : 기계 이해 데이터 세트", Adam Trischler, Tong Wang, Xingdi Yuan, Justin Harris, Alessandro Sordoni, Philip Bachman, Kaheer Suleman, Repl4nlp, 2016.
  • "질문에 대한 테이블 셀 검색", Sun, Huan 및 Ma, Hao 및 He, Xiaodong 및 Yih, Wen-Tau 및 Su and Yan, Xifeng, www, 2016.
• 2015
  • "Wikiqa : 오픈 도메인 질문 응답을위한 도전 데이터 세트", Yi Yang, Wen-Tau Yih 및 Christopher Meek, Emnlp, 2015.
  • "웹 기반 질문 답변 : AskMSR 재 방문", Chen-Tse Tsai, Wen-Tau Yih 및 Christopher JC Burges, MSR-TR, 2015.
  • "의미 론적 강화를 통한 오픈 도메인 질문에 대한 개방형 질문", Huan Sun, Hao MA, Wen-Tau Yih, Chen-Tse Tsai, Jingjing Liu 및 Ming-Wei Chang, www, 2015.
• 2014
  • "Stanford Webquestions 벤치 마크에서 Microsoft Deep QA 시스템의 개요", Zhenghao Wang, Shengquan Yan, Huaming Wang 및 Xuedong Huang, MSR-TR, 2014.
  • "단일 관계 질문 응답을위한 시맨틱 파싱", Wen-Tau Yih, Xiaodong HE, Christopher Meek, ACL, 2014.

5 년 이내에 Google AI의 간행물

• 2018
  • 구글 QA
    • "Qanet : 독해를위한 세계적 컨볼 루션과 함께 현지 컨볼 루션을 결합하여 Adams Wei Yu, David Dohan, Minh-Thang Luong, Rui Zhao, Kai Chen, Mohammad Norouzi, Quoc V. Le, ICLR, 2018.
    • "올바른 질문 : 강화 학습을 통한 적극적인 질문 개혁", Christian Buck and Jannis Bulian 및 Massimiliano Ciaramita 및 Wojciech Paweł Gajewski 및 Andrea Gesmundo 및 Neil Houlsby and Wei Wang, ICLR, 2018.
    • "단락 벡터를 사용하여 대형 기계 판독 이해 데이터 세트 구축", Radu Soricut, Nan Ding, 2018.
  • 문장 표현
    • "학습 문장 표현을위한 효율적인 프레임 워크", Lajanugen Logeswaran, Honglak Lee, ICLR, 2018.
  • "모델이 질문을 이해 했습니까?", Pramod K. Mudrakarta와 Ankur Taly와 Mukund Sundararajan 및 Kedar Dhamdhere, ACL, 2018.
• 2017
  • "적극적인 질문 응답 에이전트에 의해 배운 언어 분석", Christian Buck and Jannis Bulian 및 Massimiliano Ciaramita, Wojciech Gajewski와 Andrea Gesmundo, Neil Houlsby 및 Wei Wang, NIPS, 2017.
  • "추출 질문 응답에 대한 반복적 인 범위 표현", Kenton Lee 및 Shimi Salant, Tom Kwiatkowski, Ankur Parikh 및 Dipanjan Das 및 Jonathan Berant, ICLR, 2017.
  • 같은 질문을 식별하십시오
    • "시끄러운 사전 여파로 질문에 대한 신경구 동작 식별", Gaurav Singh Tomar 및 Thyago Duque 및 Oscar Täckström 및 Jakob Uszkoreit 및 Dipanjan Das, Sclem, 2017.
• 2014
  • "좋은 질문! 커뮤니티 Q & A의 질문 품질", Sujith Ravi 및 Bo Pang 및 Vibhor Rastogi 및 Ravi Kumar, ICWSM, 2014.

Facebook AI Research의 출판물 5 년 이내에 출판되었습니다

• 2018
  • 구체화 된 질문 답변, Abhishek Das, Samyak Datta, Georgia Gkioxari, Stefan Lee, Devi Parikh 및 Dhruv Batra, CVPR, 2018
  • 설명을 통해 VQA 모델이 인간에게 더 예측 가능하게 만들 수 있습니까?, Arjun Chandrasekaran, Viraj Prabhu, Deshraj Yadav, Prithvijit Chattopadhyay 및 Devi Parikh, Emnlp, 2018
  • 질문 답변에 대한 신경 구성 표현 시맨틱, Nitish Gupta, Mike Lewis, Emnlp, 2018
• 2017
  • DRQA
    • 오픈 도메인 질문에 답하기 위해 Wikipedia를 읽고, Danqi Chen, Adam Fisch, Jason Weston & Antoine Bordes, ACL, 2017.

서적

• 자연어 질문 응답 시스템 페이퍼 백 -Boris Galitsky (2003)
• 질문 답변의 새로운 방향 - Mark T. Maybury (2004)
• 파트 3.
• 28 장

모래밭

• 처음부터 질문 응답 시스템 구축-1 부
• Steven Hewitt, O'Reilly, 2017의 Tensorflow로 Qeustion 응답
• 질문 대답이 어려운 이유

기여

기부금을 환영합니다! 먼저 기여 가이드 라인을 읽으십시오.

특허

법률에 따라 가능한 한, 심각한 MAC (관리자)는이 작업에 대한 모든 저작권 및 관련 또는 이웃 권리를 포기했습니다.