La fonctionnalité de recherche est en construction.
La fonctionnalité de recherche est en construction.

The original paper is in English. Non-English content has been machine-translated and may contain typographical errors or mistranslations. ex. Some numerals are expressed as "XNUMX".
Copyrights notice

The original paper is in English. Non-English content has been machine-translated and may contain typographical errors or mistranslations. Copyrights notice

Discriminative Question Answering via Cascade Prompt Learning and Sentence Level Attention Mechanism Réponse discriminante aux questions via un apprentissage rapide en cascade et un mécanisme d'attention au niveau de la phrase

Xiaoguang YUAN, Chaofan DAI, Zongkai TIAN, Xinyu FAN, Yingyi SONG, Zengwen YU, Peng WANG, Wenjun KE

  • Vues en texte intégral

    0

  • Citer

Résumé:

Les systèmes de réponse aux questions (AQ) sont conçus pour répondre aux questions sur la base d'informations données ou à l'aide d'informations externes. Les progrès récents dans les systèmes d'assurance qualité sont largement contribués aux techniques d'apprentissage profond, qui ont été utilisées dans un large éventail de domaines tels que la finance, le sport et la biomédecine. Pour l'assurance qualité générative dans l'assurance qualité en domaine ouvert, bien que l'apprentissage profond puisse exploiter des données massives pour apprendre des représentations de fonctionnalités significatives et générer du texte libre comme réponses, il existe toujours des problèmes pour limiter la longueur et le contenu des réponses. Pour atténuer ce problème, nous nous concentrons sur la variante YNQA de l'AQ générative et proposons un modèle CasATT (cadre d'apprentissage rapide en cascade avec mécanisme d'attention au niveau de la phrase). Dans CasATT, nous extrayons des informations sémantiques de texte du niveau du document au niveau de la phrase et extrayons avec précision les preuves à partir de documents à grande échelle par récupération et classement, et répondons aux questions des candidats classés par des réponses discriminantes aux questions. Nos expériences sur plusieurs ensembles de données démontrent les performances supérieures du CasATT par rapport aux lignes de base de pointe, dont le score de précision peut atteindre 93.1 % sur l'ensemble de données IR&QA Competition et 90.5 % sur l'ensemble de données BoolQ.

Publication
IEICE TRANSACTIONS on Information Vol.E106-D No.9 pp.1584-1599
Date de publication
2023/09/01
Publicisé
2023/06/02
ISSN en ligne
1745-1361
DOI
10.1587/transinf.2022EDP7225
Type de manuscrit
PAPER
Catégories
Traitement du langage naturel

Auteurs

Xiaoguang YUAN
  National University of Defense Technology,Beijing Institute of Computer Technology and Application
Chaofan DAI
  National University of Defense Technology
Zongkai TIAN
  Beijing Institute of Computer Technology and Application
Xinyu FAN
  Beijing Institute of Computer Technology and Application
Yingyi SONG
  Beijing Institute of Computer Technology and Application
Zengwen YU
  Beijing Institute of Computer Technology and Application,Xidian University
Peng WANG
  Southeast University
Wenjun KE
  Southeast University

Mots-clés

Table des matières