awesome qa

Потрясающий ответ на вопрос

Куративный список предмета ответа на вопрос (QA) , который является дисциплиной информатики в области поиска информации и обработки естественного языка (NLP) для использования машинного обучения и глубокого обучения

정보검색및자연언어처리분아야의질의응답에관한큐레이션- 머신러닝과딥러닝단계까지
Выбранный список системных тем, дисциплина в области компьютерных наук в области поиска информации и обработки естественного языка - с использованием машинного обучения и глубокого обучения

Содержимое

• Недавние тенденции
• О QA
• События
• Система
• Соревнования в категории
• Публикации
• Коды
• Лекции
• Слайды
• Коллекции наборов данных
• Наборы данных
• Книги
• Ссылки

Недавние тенденции

Недавние модели QA

• Дилберт: задержка слоев взаимодействия в кодерах на основе трансформатора для эффективного ответа на вопрос о открытой области (2020)
  • Бумага: https://arxiv.org/pdf/2010.08422.pdf
  • github: https://github.com/wissam-sib/dilbert
• Unifiedqa: границы формата пересечения с помощью одной системы QA (2020)
  • Демонстрация: https://unifiedqa.apps.allenai.org/
• Proqa: ресурсный метод для предварительной подготовки плотного индекса корпуса для QA и IR с открытым доменом. (2020)
  • Бумага: https://arxiv.org/pdf/2005.00038.pdf
  • github: https://github.com/xwhan/proqa
• Tydi QA: эталон для вопроса о поиске информации, отвечающего на типологически разнообразные языки (2020)
  • Бумага: https://arxiv.org/ftp/arxiv/papers/2003/2003.05002.pdf
• Ретроспективный читатель для понимания прочитанного машины
  • Бумага: https://arxiv.org/pdf/2001.09694v2.pdf
• Танда: Передача и адаптируйте предварительно обученные модели трансформаторов для выбора предложения ответа (AAAI 2020)
  • Бумага: https://arxiv.org/pdf/1911.04118.pdf

Недавние языковые модели

• Electra: предварительно тренировочные текстовые кодеры как дискриминаторы, а не генераторы, Кевин Кларк и др., ICLR, 2020.
• Tinybert: Distilling Bert для понимания естественного языка, Xiaoqi Jiao, et al., ICLR, 2020.
• Minilm: Глубокая дистилляция самоубийства для сопротивления, агрессического сжатия предварительно обученных трансформаторов, Wenhui Wang, et al., Arxiv, 2020.
• T5: Изучение пределов обучения передачи с помощью унифицированного трансформатора текста в текст, Колин Раффель и др., Arxiv Preprint, 2019.
• Эрни: улучшенное представление языка с информативными сущностями, Чжэнэнгян Чжан и др., ACL, 2019.
• XLnet: Обобщенная авторегрессивная предварительная подготовка для понимания языка, Zhilin Yang, et al., Arxiv Preprint, 2019.
• Альберт: Lite Bert для самоотверженного изучения языковых представлений, Zhenzhong Lan, et al., Arxiv Preprint, 2019.
• Роберта: надежно оптимизированный подход Берта, предварительный подход, Иньхан Лю, и др., Арксив Препринт, 2019.
• Distilbert, Детская версия Bert: меньше, быстрее, дешевле и легче, Victor Sanh, et al., Arxiv, 2019.
• SPANBERT: Улучшение предварительного обучения, представляя и прогнозируя пролеты, Мандар Джоши и др., Tacl, 2019.
• БЕРТ: Предварительное обучение глубоких двунаправленных трансформаторов для понимания языка, Джейкоб Девлин и др., NAACL 2019, 2018.

AAAI 2020

• Танда: Передача и адаптируйте предварительно обученные модели трансформатора для выбора предложения ответа, Siddhant Garg, et al., AAAI 2020, ноябрь 2019 года.

ACL 2019

• Обзор общей задачи Mediqa 2019 по текстовым выводу, вопросам развлечения и ответа на вопросы Asma Ben Abacha и др., ACL-W 2019, август 2019 года.
• На пути к масштабируемым и надежным капсульным сетям для оспаривания приложений NLP Wei Zhao, et al., ACL 2019, июнь 2019 года.
• Когнитивный график для понимания прочитанного с несколькими хопами в Scale, Ming Ding, et al., ACL 2019, июнь 2019 года.
• Вопрос в режиме реального времени, отвечающий с помощью индекса фразы с плотным фразом, Minjoon Seo, et al., ACL 2019, июнь 2019 года.
• Неконтролируемый вопрос ответа на перевод Cloze, Патрик Льюис и др., ACL 2019, июнь 2019 года.
• Semeval-2019 Задача 10: Ответ математического вопроса, Марк Хопкинс и др., ACL-W 2019, Jun 2019.
• Улучшение ответа на вопрос о неполных KBS с читателем, оспаривающим знания, Wenhan Xiong, et al., ACL 2019, май 2019 года.
• Соответствующие пар статьи с графическим разложением и свертыванием, Bang Liu, et al., ACL 2019, май 2019 года.
• Эпизодическая считыватель памяти: изучение того, что помнить, на вопрос, отвечающий на потоковые данные, Moonsu Han, et al., ACL 2019, март 2019 года.
• Природные вопросы: эталон для вопросов, отвечающий на исследования, Том Квиатковски и др., Tacl 2019, январь 2019 года.
• Вопрос из учебника, отвечающий с помощью многомодального контекстного графа Понимание и самоотверженное понимание открытых наборов, Daesik Kim, et al., ACL 2019, ноябрь 2018.

EMNLP-IJCNLP 2019

• Языковые модели как базы знаний?, Fabio Petron, et al., EMNLP-IJCNLP 2019, сентябрь 2019.
• LXMERT: изучение репрезентаций энкодера межмодальности от Transformers, Hao Tan, et al., EMNLP-IJCNLP 2019, декабрь 2019.
• Отвечая на комплексные вопросы с открытым доменом с помощью итеративного поколения запросов, Пенг Ци и др., EMNLP-IJCNLP 2019, октябрь 2019 года.
• Kagnet: Графические сети, осведомленные о знаниях для здравомысля, Билл Ючен Лин и др., EMNLP-IJCNLP 2019, сентябрь 2019.
• Выбор контента смеси для разнообразных последовательностей, Jeemin CHO и др., EMNLP-IJCNLP 2019, сентябрь 2019 года.
• Дискретный жесткий подход EM для слабо контролируемого ответа на вопрос, Sewon Min, et al., Emnlp-Ijcnlp, 2019, сентябрь 2019.

Arxiv

• Исследование успехов и неудач Берта для переоценки прохода, Харшит Падигела и др., Арксив Препринт, май 2019 года.
• Берт с историей Ответ, внедряющий для ответа на разговорные вопросы, Chen Qu, et al., Arxiv Preprint, май 2019 года.
• Понимание поведения BERT в рейтинге, Ифан Цяо и др., Арксив Прайнт, апрель 2019 года.
• Берт после тренировки для обзора понимания прочитанного и анализа настроений на основе аспектов, Hu Xu, et al., Arxiv Preprint, апрель 2019 года.
• Средний накладной вопрос с открытым доменом, отвечающий с Bertserini, Wei Yang, et al., Arxiv Preprint, февраль 2019 года.
• Bert Baseline для естественных вопросов, Крис Альберти и др., Арксив Прейнт, январь 2019 года.
• Повторный переход с Берт, Родриго Ногейра и др., Арксив Преспринт, январь 2019 года.
• SDNET: контекстуализированная основанная на внимании глубокую сеть для ответа на разговорные вопросы, Cheng Zhu, et al., Arxiv, Dec 2018.

Набор данных

• ELI5: Ответ на вопрос с длинной формой, Анжела Фан и др., ACL 2019, июль 2019
• CODAH: набор данных для ответа на вопрос, отвечающий на состязание, для здравого смысла, Майкл Чен и др., REPEVAL 2019, Jun 2019.

О QA

Типы QA

• QA с одним поворотом: Ответ без учета какого-либо контекста
• Разговорная QA: Использовать предыдущие повороты разговора

Подтипы QA

• Основанный на знаниях QA
• Таблица/QA на основе списка
• Текстовый QA
• Сообщество QA
• Визуальный QA

Анализ и анализ для предварительной обработки в системах QA

Анализ ланугаге

1. Морфологический анализ
2. Названное признание сущности (NER)
3. Анализ омонимов / полисии.
4. Синтаксический анализ (диапазон зависимости)
5. Семантическое признание

Большинство систем QA имеют примерно 3 части

1. Извлечение фактов
   
   1. Извлечение сущности
      
      1. Признание по имени (NER)
   2. Извлечение отношений
      
2. Понимание вопроса
3. Генерируя ответ

События

• Wolfram Alpha повесила на ответный двигатель в 2009 году.
• Система IBM Watson победила Top Jeopardy! Чемпионы в 2011 году.
• Apple Siri интегрировал wolfram Alpha's Engine в 2011 году.
• Google встраивал QA, запустив свой график знаний, используя базу бесплатной базовой базы знаний в 2012 году.
• Amazon Echo | Alexa (2015), Google Home | Google Assistant (2016), invoke | MS Cortana (2017), HomePod (2017)

Система

• IBM Watson-обладает современным выступлением.
• Facebook DRQA - применяется к набору данных Squad1.0. Набор данных Squad2.0 выпустил. Но DRQA еще не проверяется.
• График знаний MIT Media Lab - представляет собой свободно доступную семантическую сеть, предназначенную для того, чтобы помочь компьютерам понять значения слов, которые люди используют.

Соревнования в категории

	Набор данных	Язык	Организатор	С	Высший ранг	Модель	Статус	Над человеческой деятельностью
0	История тест	Английский	Univ. Рочестера	2016	мсап	Логистическая регрессия	Закрыто	х
1	MS MARCO	Английский	Microsoft	2016	Yuanfudao Research NLP	МАРС	Закрыто	о
2	MS MARCO V2	Английский	Microsoft	2018	NTT Media Intelli. Лаборатория	Маска Q & A стиль	Открыл	х
3	Отряд	Английский	Univ. Стэнфорда	2018	Xlnet (одиночная модель)	XLnet Team	Закрыто	о
4	Отряд 2.0	Английский	Univ. Стэнфорда	2018	Пинган Омни-мрака	Albert + daaf + verifier (ансамбль)	Открыл	о
5	Витривиака	Английский	Univ. Вашингтон	2017	Мин Ян	-	Закрыто	-
6	decanlp	Английский	Salesforce Research	2018	Salesforce Research	MQAN	Закрыто	х
7	Dureader Ver1.	китайский	Байду	2015	Трип	T-reader (сингл)	Закрыто	х
8	Dureader Ver2.	китайский	Байду	2017	Ренессанс	Алиридер	Открыл	-
9	Коркуад	корейский	LG CNS AI Research	2018	Команда Clova AI Larva	Larva-Kor-Large + + Claf (сингл)	Закрыто	о
10	Korquad 2.0	корейский	LG CNS AI Research	2019	Канвон Национальный университет	Knu-baseline (одиночная модель)	Открыл	х
11	Кока	Английский	Univ. Стэнфорда	2018	Zhuiyi Technology	Роберта + AT + KD (ансамбль)	Открыл	о

Публикации

• Документы
  • «Учимся просмотреть текст», Адамс Вэй Ю, Хонгра Ли, Quoc V. Le, 2017 .: Покажите только то, что вы хотите в тексте
  • «Глубокое совместное неоднозначное внимание с местным нервным вниманием», Октавиан-Эуген Ганея и Томас Хофманн, 2017.
  • «Двусторонний внимательный поток для понимания машины», Minjoon Seo, Aniruddha Kembhavi, Али Фархади, Хананне Хаджисирзи, ICLR, 2017.
  • «Захват семантического сходства для сущности, связывающегося с сверточными нейронными сетями», Мэтью Фрэнсис-Ландау, Грег Дурретт и Дэн Клей, NAACL-HLT 2016.
    • https://github.com/matthewfl/nlp-entity-convnet
  • «Сущность, связывающая с базой знаний: проблемы, методы и решения», Wei Shen, Jianyong Wang, Jiawei Han, IEEE Transactions по знаниям и разработке данных (TKDE), 2014.
  • «Введение в« Это Уотсон », IBM Journal of Research and Development, Da Ferrucci, 2012.
  • «Опрос о вопросах, отвечающий технологии с точки зрения поиска информации», «Информационные науки», 2011.
  • «Вопрос, отвечающий в ограниченных доменах: обзор», Диего Молла и Хосе Луис Висьи, Computational Linguistic, 2007
  • «Ответ на вопрос о естественном языке: вид отсюда», L Hirschman, R Gaizauskas, Engineering Engineering, 2001.
  • ОРНАТИЯ ОТВЕТСТВЕННОСТЬ / СВЯЗИ

Коды

• BIDAF-Бидаф-двунаправленная сеть потока внимания (BIDAF)-это многоэтапный иерархический процесс, который представляет контекст на разных уровнях гранулярности и использует механизм потока внимания, чтобы получить представление о контексте запроса без раннего резюме.
  • Официальный; Tensorflow v1.2
  • Бумага
• QANET-Архитектура вопросов и ответов не требует повторяющихся сетей: его кодировщик состоит исключительно из свертки и самоучастия, где сверло модели модели локального взаимодействия и модели самостоятельного атмосфера глобальных взаимодействий.
  • Google; Неофициальный; Tensorflow v1.5
  • Бумага
• R-Net-модель сквозной нейронной сети для ответа на вопрос о понимании прочитанного, целью которого является ответа на вопросы из данного отрывка.
  • РС; Неофициально HKUST; Tensorflow v1.5
  • Бумага
• R-Net-in-keras-R-Net переопределение в керах.
  • РС; Неофициальный; Керас v2.0.6
  • Бумага
• DRQA - DRQA - это система для понимания прочитанного, применяемое к ответам на вопрос с открытым доменом.
  • Facebook; Официальный; Pytorch v0.4
  • Бумага
• Берт - новая модель представления языка, которая означает двунаправленное представления энкодера от трансформаторов. В отличие от недавних моделей представления языка, BERT предназначен для предварительного обучения глубоких велосипедных представлений путем совместной кондиционирования как в левом, так и в правом контексте во всех уровнях.
  • Google; Официальная реализация; Tensorflow v1.11.0
  • Бумага

Лекции

• Ответ на вопрос - обработка естественного языка - Драгомир Радев, доктор философии. | Мичиганский университет | 2016

Слайды

• Вопрос, отвечающий базами знаний, Интернетом и за его пределами - Скотт Вэнь -Тау Йи и Хао Ма | Microsoft Research | 2016
• Ответ на вопрос - доктор Мариана Невес | Hasso Plattner Institut | 2017.

Коллекции наборов данных

• Вопрос Nliwod отвечает наборе данных
• Наборы данных Karthinkncode для обработки естественного языка

Наборы данных

• Научные вопросы AI2 v2.1 (2017)
  • Он состоит из вопросов, используемых в оценках учащихся в Соединенных Штатах в начальной и средней школе. Каждый вопрос представляет собой четырехсторонний формат с множественным выбором и может включать или не включать диаграмму.
  • Бумага: http://ai2-website.s3.amazonaws.com/publications/ai2resosingchallenge2018.pdf
• Детский книжный тест
• Это один из проектов Babi of Facebook AI Research, который организован для цели автоматического понимания и рассуждения текста. CBT предназначен для непосредственного измерения, насколько хорошо языковые модели могут использовать более широкий лингвистический контекст.
• Набор данных кода
• DeepMind Q & A набор данных; CNN/Daily Mail
  • Hermann et al. (2015) создал два удивительных набора данных, используя новостные статьи для исследования и ответов. Каждый набор данных содержит много документов (90 тысяч и 197 тыс. Каждый), и каждый документ в среднем в среднем 4 вопроса приблизительно. Каждый вопрос представляет собой предложение с одним отсутствующим словом/фразой, которое можно найти из сопровождающего документа/контекста.
  • Бумага: https://arxiv.org/abs/1506.03340
• Eli5
  • Бумага: https://arxiv.org/abs/1907.09190
• График
  • При создании наборов вопросов, богатых характеристиками, для оценки QA.
• LC-Quad
  • Это золотой стандарт KBQA (ответный вопрос о базе знаний), содержащий 5000 вопросов и запросов SPARQL. LC-Quad использует DBPedia V04.16 в качестве цели KB.
• MS MARCO
  • Это для ответа на вопросы реального мира.
  • Бумага: https://arxiv.org/abs/1611.09268
• Multirc
  • Набор данных коротких абзацев и вопросов с несколькими предложениями
  • Документ: http://cogcomp.org/page/publication_view/833
• Повествование
  • Он включает в себя список документов с резюме Википедии, ссылками на полные истории, вопросы и ответы.
  • Бумага: https://arxiv.org/pdf/1712.07040v1.pdf
• Newsqa
  • Набор данных по пониманию машины
  • Бумага: https://arxiv.org/pdf/1611.09830.pdf
• Набор данных Qestion-Aswer от CMU
  • Это корпус статей Википедии, сгенерированные вручную фактические вопросы и ответы на эти вопросы вручную, для использования в академических исследованиях. Эти данные были собраны Ноем Смитом, Майклом Хейлманом, Ребеккой Хва, Шей Коэном, Кевином Гимпелом и многими студентами Университета Карнеги -Меллона и Университета Питтсбурга в период с 2008 по 2010 год.
• Squad1.0
  • Стэнфордский набор данных ответа на вопрос (Squad) - это набор данных по пониманию прочитанного, состоящий из вопросов, заданных толщинами, на наборе статей Википедии, где ответ на каждый вопрос представляет собой сегмент текста или пролета, из соответствующего отрывка для чтения, или вопрос может быть без ответа.
  • Бумага: https://arxiv.org/abs/1606.05250
• Squad2.0
  • Squad2.0 сочетает в себе 100 000 вопросов в Squad1.1 с более чем 50 000 новых, без ответных вопросов, написанных на соревнованиях, которые толщители выглядели похожими на ответ. Чтобы преуспеть в Squad2.0, системы должны не только отвечать на вопросы, когда это возможно, но и определить, когда абзац не поддерживается, и воздерживается от ответа.
  • Бумага: https://arxiv.org/abs/1806.03822
• История тест
  • «Story Cloze Test» - это новая структура рассуждения для оценки понимания истории, генерации истории и обучения сценариев. Этот тест требует системы для выбора правильного окончания истории с четырьмя предложениями.
  • Бумага: https://arxiv.org/abs/1604.01696
• Витривиака
  • Triviaqa-это набор данных по пониманию прочитанного, содержащий более 650 тысяч тройки вопроса-ответов. Viriviaqa включает в себя 95 тыс. Пары вопросов-ответов, созданных энтузиастами викторинов и независимо собранных документов доказательств, в среднем шесть за вопрос, который обеспечивает высокое качество отдаленного надзора для ответа на вопросы.
  • Бумага: https://arxiv.org/abs/1705.03551
• Викика
  • Общедоступный набор паров вопросов и предложений для ответа на вопрос с открытым доменом.

Исследовательская группа Deepqa в публикации IBM Watson в течение 5 лет

• 2015
  • «Автоматизированное образование списка проблем из электронных медицинских карт в IBM Watson», Murthy Devarakonda, Ching-Huei Tsou, Iaai, 2015.
  • «Принятие решений в ответе на вопрос IBM Watson», J. William Murdock, Ontology Summit, 2015.
  • «Анализ неконтролируемого организации сущности в IBM Watson», Aditya Kalyanpur, J William Murdock, ACS, 2015.
  • «Рассуждение здравого смысла: подход на основе исчисления событий», Et Mueller, Morgan Kaufmann/Elsevier, 2015.
• 2014
  • «Проблема, ориентированная на рекорд пациента: ранний отчет о применении Уотсона», М. Девараконда, Донгьян Чжан, Чин-Хьюи Цу, М. Борнея, здравоохранение, 2014.
  • «Watsonpaths: сценарий, основанный на вопросах, отвечающий и вывод о не образованной информации», Адам Лалли, Сугато Бачи, Майкл А. Барборик, Дэвид В. Бьюкенен, Дженнифер Чу-Карролл, Дэвид А. Ферруччи*, Майкл Р. Гласс, Адитья Каланпур, Эрик Т. Мюллер, Дж. Уильям Мурдок, Сидддхарт Патвард, Джона Паргера, Д. Паргера, Д. Паргера, А. П., Х. Паргера, Д. IBM Research Report RC25489, 2014.
  • «Извлечение медицинских отношений с моделями многообразии», Чанг Ван и Джеймс Фан, ACL, 2014.

Публикация MS Research в течение 5 лет

• 2018
  • «Характеристика и поддержки вопросов, отвечающих на общение с человеком», Сяо Ян, Ахмед Хасан Авадаллах, Мадиан Хабса, Вэй Ван, Миаузен Ван, ACM Sigir, 2018.
  • «Figureqa: аннотированный набор данных фигуры для визуальных рассуждений», Самира Эбрахими Каху, Винсент Михальски, Адам Аткинсон, Акос Кадар, Адам Тришлер, Йошуа Бенгио, ICLR, 2018
• 2017
  • «Многоуровневые сети внимания для ответа на визуальные вопросы», Dongfei Yu, Jianlong Fu, Tao Mei, Yong Rui, CVPR, 2017.
  • «Совместная модель для ответа на вопросы и генерация вопросов», Тонг Ван, Синди (Эрик) Юань, Адам Тришлер, ICML, 2017.
  • «Двухэтапные синтезовые сети для переноса обучения в понимании машин», Дэвид Голуб, По-сен Хуанг, Сяодон Х. Х., Ли Денг, Эмнлп, 2017.
  • «Вопрос-отважный с грамматически интерпретируемыми представлениями», Хамид Паланги, Пол Смоленский, Сяодон Хе, Ли Денг,
  • «Поисковое нейронное структурированное обучение для ответа на последовательный вопрос», Mohit Iyyer, Wen-Tau YIH, Ming-Wei Chang, ACL, 2017.
• 2016
  • «Складированные сети внимания для ответа на вопросы изображения», Zichao Yang, Xiaodong HE, Jianfeng Gao, Li Deng, Alex Smola, CVPR, 2016.
  • «Вопрос, отвечая базой знаний, веб-сайтами и за пределами», YIH, Скотт Вен-Тау и Ма, Хао, ACM Sigir, 2016.
  • «Newsqa: набор данных по пониманию машины», Адам Тришлер, Тонг Ванг, Синди Юань, Джастин Харрис, Алессандро Сордони, Филип Бахман, Кахир Сулеман, Repl4nlp, 2016.
  • «Поиск ответов на столовые ячейки для ответа на вопрос», Sun, Huan и Ma, Hao и He, Xiaodong и Yih, Wen-Tau и Su, Yu and Yan, Xifeng, www, 2016.
• 2015
  • «Wikiqa: набор данных для ответа на вопрос с открытым доменом», Yi Yang, Wen-Tau Yih и Christopher Miek, Emnlp, 2015.
  • «Ответ на веб-вопросам: повторный ASKMSR», Chen-Tse Tsai, Wen-Tau YIH и Christopher JC Burges, MSR-TR, 2015.
  • «Вопрос о открытом домене, отвечающий на семантическое обогащение», Huan Sun, Hao Ma, Wen-Tau Yih, Chen-Tse Tsai, Jingjing Liu и Ming-Wei Chang, www, 2015.
• 2014
  • «Обзор системы Microsoft Deep QA на Stanford Web-Questions Bendch», Zhenghao Wang, Shengquan Yan, Huaming Wang и Xuedong Huang, MSR-Tr, 2014.
  • «Семантическое анализ для ответа на вопрос с одним рецидивом», Wen-Tau Yih, Xiaodong HE, Christopher Meek, ACL, 2014.

Публикация Google AI в течение 5 лет

• 2018
  • Google QA
    • «Канет: объединение местной сверты с глобальным самоуничтожением за понимание прочитанного», Адамс Вэй Ю, Дэвид Дохан, Мин-Тан-Луонг, Руи Чжао, Кай Чен, Мохаммад Норузи, Кук В. Ле, ICLR, 2018.
    • «Задайте правильные вопросы: активная переформулировка вопросов с помощью обучения подкреплением», Кристиан Бак и Джаннис Булиан и Массимилиано Сирамита и Войцеч Павел Гаевски и Андреа Гесмундо и Нил Хоулсби и Вей Ванг, ICLR, 2018.
    • «Создание больших наборов данных по чтению машины с использованием векторов абзацев», Radu Soricut, Nan Ding, 2018.
  • Представление предложения
    • «Эффективная структура для представлений о обучении предложения», Lajanugen Logeswaran, Honglak Lee, ICLR, 2018.
  • «Поняла ли модель вопрос?», Прамод К. Мудракарта и Анкур Тали и Мукунд Сундарараджан и Кедар Дхамдо, ACL, 2018.
• 2017
  • «Анализ языка, изученного активным агентом, отвечающим вопросам», Кристиан Бак и Джаннис Булиан и Массимилиано Сирамита и Войчех Гаевски и Андреа Гесмундо и Нил Хоулсби и Вей Ван, Nips, 2017.
  • «Обучение рецидивируемому промежутке для ответа на добывающие вопросы», Кентон Ли и Шими Салант и Том Квютковски и Анкур Парих и Дипанджан Дас и Джонатан Берант, ICLR, 2017.
  • Определите тот же вопрос
    • «Нейронная перефраза идентификация вопросов с шумным предварительным дозаремением», Гаурав Сингх Томар и Тяго Дуке и Оскар Тякстром и Якоб Ускорет и Дипанджан Дас, Sclem, 2017.
• 2014
  • «Отличный вопрос! Качество вопросов в вопросах и ответах сообщества», Sujith Ravi и Bo Pang и Vibhor Rastogi и Ravi Kumar, ICWSM, 2014.

Публикация Facebook AI Research в течение 5 лет

• 2018
  • Ответ с воплощенным вопросом, Абхишек Дас, Самьяк Датта, Джорджия Гкиоксари, Стефан Ли, Деви Парих и Дхрув Батра, CVPR, 2018
  • Объяснения делают модели VQA более предсказуемыми для человека?, Арджун Чандрасекаран, Вирадж Прабху, Дешрадж Ядав, Притхиджит Чаттопадхьяй и Деви Парих, Emnlp, 2018
  • Денотационная семантика нейронной композиции для ответа на вопросы, Нитиш Гупта, Майк Льюис, EMNLP, 2018
• 2017
  • DRQA
    • Чтение Википедии, чтобы ответить на вопросы с открытым доменом, Данки Чен, Адам Фиш, Джейсон Уэстон и Антуан Бордес, ACL, 2017.

Книги

• Ответ на естественном языке система в мягкой обложке - Борис Галицкий (2003)
• Отвечая на вопрос о новых направлениях - Марк Т. Мейбери (2004)
• Часть 3. 5. Ответ на вопрос в Оксфордском справочнике по вычислительной лингвистике - Санде Харам и Дэн Молдован (2005)
• Глава 28 Ответ на вопрос о обработке речи и языка - Даниэль Джуруфски и Джеймс Х. Мартин (2017)

Ссылки

• Создание вопроса-ответа системы с нуля-Часть 1
• Qeustion, отвечая на Tensorflow, Стивен Хьюитт, O'Reilly, 2017
• Зачем отвечать на вопрос

Внося

Взносы приветствуются! Сначала прочитайте рекомендации по вкладу.

Лицензия

В той мере, что в соответствии с законом, Seriousmac (Содействие) отказался от всех авторских прав и связанных или соседних прав на эту работу.