Learning to Ask: Neural Question Generation for Reading Comprehension

最新推荐文章于 2022-03-12 17:36:07 发布
最新推荐文章于 2022-03-12 17:36:07 发布
阅读量549 收藏
点赞数 1
分类专栏： NLP Papers AI NLP 文章标签： 人工智能 自然语言处理 深度学习
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/chansonzhang/article/details/122384259
版权
NLP Papers 同时被 3 个专栏收录
54 篇文章 23 订阅 ¥29.90 ¥99.00
订阅专栏 超级会员免费看
AI
68 篇文章 2 订阅
订阅专栏
NLP
60 篇文章 1 订阅
订阅专栏

Abstract

  • 自动问题生成
  • 和之前的方法比，无需依赖手工规则或者复杂的 NLP pipeline.
  • sequence-to-sequence learning, end-to-end trainable
  • 自动评估
    • 超过基于规则的 baseline
  • 人工评估
    • more natural (语法，流畅度)
    • more difficult to answer (syntactic and lexical divergence from the original text and reasoning needed to answer)

Introduction

问题生成适合的应用领域：

  • 教育（自动生成阅读理解的问题）
  • chatbot (开场提问或者请求反馈)
  • 医疗 (评估和提升心理健康)
  • 数据增强

在这里插入图片描述

构造比较自然又难度适合的问题需要使用 abstractive methods 来生成不是完全和输入文本重叠的流畅措辞 （phrasing）.

我们使用带有全局注意力机制 (

了解本专栏 订阅专栏 解锁全文 超级会员免费看
chansonzhang
关注
  • 1
    点赞
  • 踩
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
订阅专栏
阅读《Learning to Ask: Neural Question Generation for Reading Comprehension 》
IT路上的学步者
05-09 2283
阅读《Learning to Ask: Neural Question Generation for Reading Comprehension 》 @(NLP)[自然语言生成|LSTM|QA|Attention] Abstract 文章为研究了句子级别和段落信息编码之间的影响，提出了一种基于注意力的序列学习模型。与以前的工作不同，他们的模型不依赖手工生成的规则或者复杂的NLP管道（不是...
Learning to Ask: Neural Question Generation for Reading Comprehension 笔记
weixin_34275734的博客
03-25 583
Learning to Ask: Neural Question Generation for Reading Comprehension笔记 感觉和 “Neural Question Generation from Text: A Preliminary Study” 这篇很像的工作，都是基于 Seq2Seq 的思想来做 Question Generation。 两者的区别在与 Encode 和...
Learning to Ask Neural Question Generation for Reading Comprehension
Jeaksun的博客
03-12 1834
Learning to Ask: Neural Question Generation for Reading Comprehension 学会提问：阅读理解的神经性问题生成 1 Abstract 本文提出了一个基于注意力的序列学习模型，研究了对句子级信息和段落信息进行编码的效果。 tfcode 1 Introduction 问题生成QG的目的是从给定的句子或段落中产生自然的问题。如图1所示： 自然的问题通常压缩其句子，使用段落中术语的同义词(question2的“form”代替原文的"produce".
论文阅读 Question Generation
thormas1996的博客
07-12 3411
问题生成 论文笔记
Learning Tree: Neural Network-based Index for NDN Forwarding Plane
02-08
Named Data Networking (NDN) is a recent promising future Internet architecture, which forwards packets based on the named data.... In view of this,.a neural network-based index, called Learning Tree, is
Learning Semantic Representation with Neural Networks for Community Question Answering Retrieval
02-11
Learning Semantic Representation with Neural Networks for Community Question Answering Retrieval
Deep Learning: Practical Neural Networks with Java 完整高清英文azw3版
06-14
This course is intended for data scientists and Java developers who want to dive into the exciting world of deep learning. It will get you up and running quickly and provide you with the skills you ...
DRAW. A Recurrent Neural Network For Image Generation
12-03
25. DRAW. A Recurrent Neural Network For Image Generation。。。。。
DeepRank Learning to rank with neural networks for recommendation.pdf
01-31
DeepRank Learning to rank with neural networks for recommendation.pdf
二元交叉熵损失梯度推导
热门推荐
Young, Simple, Naive
12-01 1万+
二元交叉熵损失（logistic 损失）定义如下： Llogistic(y^,y)=−ylogy^−(1−y)log(1−y^) L_{\text{logistic}}(\hat{y},y) =-ylog\hat{y}-(1-y)log(1-\hat{y}) Llogistic​(y^​,y)=−ylogy^​−(1−y)log(1−y^​) 其中 y∈{0,1}y\in\{0,1\}y∈{0,1...
人类历史上第一个推荐系统
Young, Simple, Naive
12-27 6905
让我们把时间推回到28年前那个风雨交加的夜晚，在一个小破屋里，几个老男人捣鼓出了人类历史上第一个推荐系统——Tapestry
使用NLTK将自然语言查询转化为SQL查询
Young, Simple, Naive
11-21 6147
文章目录 假设我们有一个sql表，如下所示： City Country Population athens greece 1368 bangkok thailand 1178 barcelona spain 1280 berlin east_germany 3481 birmingham united_kingdom 1112 当我们要查找某个athens在哪个...
使用BPE算法处理未登录词
Young, Simple, Naive
11-25 5492
BPE算法的输入是原始字典，其中每个单词被表示成一串字符，BPE算法迭代的执行k次，每次选择一个出现频率最高的符号对进行合并，生成一个新的符号，注意这种合并是不超过单词边界的。 例如原始词典中有张晨光和张晨磊两个单词，频数均为3，但是没有出现张晨 张晨光:3 张晨磊:3 所以我们在使用最大匹配算法进行分词时，如果使用该字典，就会造成张晨被错误分割为张和晨两个词的情况： max match cut...
Unsupervised Data Augmentation for Consistency Training
Young, Simple, Naive
03-12 4500
有限的标注数据也能带来很好的性能
Softmax求导及多元交叉熵损失梯度推导
Young, Simple, Naive
12-01 4421
假设n为特征个数，K为目标分类个数，则： 对于一个n×1n\times 1n×1输入样本向量 x=(x1,⋯ ,xi,⋯ ,xn)T x=(x_1,\cdots,x_i,\cdots,x_n)^T x=(x1​,⋯,xi​,⋯,xn​)T 一个K×nK\times nK×n的权重矩阵W（每行对应一个类） 以及一个K×1K\times 1K×1...
使用NLTK找出所有的语法解析树
Young, Simple, Naive
11-21 4117
使用NLTK完成Udacity公开课CS271（Intro to Artificial Intelligence）的Final Assessment Question 20 首先我们按照题目要求编写语法规则final_question_20.fcfg % start S S[SEM=(?np + ?vp)] -> NP[SEM=?np] VP[SEM=?vp] S[SEM=(?s1 + a...
active learning for convolutional neural networks: a core-set approach
最新发布
11-11
主动学习对于卷积神经网络的核心集方法是一种重要的优化技术。卷积神经网络是一种用于图像和视频处理的深度学习模型，它具有很强的特征提取和分类能力。然而，使用传统的训练方法来训练卷积神经网络需要大量的标记...

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值