论文笔记整理:程茜雅,东南大学硕士,研究方向:自然语言处理,知识图谱。
Citation: Yuan X, WangT, Gulcehre C, et al. Machine comprehension by text-to-text neural question generation[J]. arXiv preprint arXiv:1705.02012, 2017.
动机
1、在智能系统里提出合适的问题有利于信息获取。
2、学会提出问题有利于提高回答问题的能力。
3、在大多数QA(Question Answering)数据集中回答问题属于抽取式(extractive)任务,相比较而言,提出问题属于生成式(abstractive)任务。
4、提出一个好的问题所包含的技能远超于回答问题所需的技能。因为一个问题通常只有一个答案,但是针对一个答案可能有多个问题。因此提出一个高质量的问题较难。
5、QG(Question Generation)应用广泛。譬如:为QA生成训练数据,自动导师系统等。
基于上述动机,本文构建了一个用于QG的神经模型,并将其应用在包含QA的任务中。这是第一个针对QG的端到端、文本到文本的模型。
方法
本文使用了encoder-decoder框