- 0
- 0
- 约2.59万字
- 约 24页
- 2026-11-20 发布于北京
- 举报
问题类型建模的问答系统
克谢尼娅・波诺马廖娃
Codalab用户名:kp260
kp260@stanford.edu
近年来,基于深度学习神经网络的模型在解决问答任务方面取得了显著进展。本
文提出了一种新模型,在端到端训练中对不同类型的问题进行建模。具体而言,
该系统通过学习问题类型嵌入,并采用前馈层实现问题自适应。
1
引言
自SQuAD数据集[1]发布不到两年以来,阅读理解领域已取得快速进展,相关排
行榜网页可见一斑。特别是基于神经网络的模型,在SQuAD数据集上展现了显著
效果。
SQuAD数据集的任务如下:给定一个段落和关于该段落的问题,模型需正确
回答问题。该数据集的独特之处在于包含在段落中,因此系统必须识别出回
答问题的文本跨度(起始和结束位置)。让机器阅读文本后回答相关问题是一项
具有性的任务,因为系统需要建模上下文与问题间的复杂交互,并“理解”
文本内容。研究还发现,在大部分SQuAD数据集中,问题与段落之间存在某种词
汇或句法差异,参见[1]和[3]。
课程导师了一个简单的基线模型来应对SQuAD,目标是根据精确匹配
(EM)和F1分数指标提升其性能。我们对基线模型进行了多项改进,这些改进
灵感于[2],[5]和[3]。前两篇认为,
原创力文档

文档评论(0)