项目实训第四周团队及个人进展汇报

第四周（3.22-3.28）
我们团队在这周去找了老师，请求老师给我们思路和思考学习方向。在这一周的时间里，我们一共找了两次老师（由于我脚崴了，没能参与具体过程）。第一次，我们团队在交流了上周自己自学的部分论文的思路及收获的基础上的结论，我们拿到了自己团队的“猜测”思路。然后我们拿着自己的思路与老师进行沟通，验证自己的思路是否正确。但是老师所给的思路与我们自己搜索的资料截然不同。老师给出了一下几个名词：伴随网络、图、逻辑、攻击样本，引导我们按照这几种思路中的一种进行思考。老师还给我们了一位学姐的援助。学姐给了我们一些学习样例，并以两个比赛作为样例，让我们参考学习。我们在找完老师后立刻开展了线下会议。会议主要交流了老师的解释和学姐的讲解，我们根据老师所有列举的思路逐一展开讨论，最终定下了采用先问题生成，再对生成的问题进行处理的方法。
在3.22这天的会议里，除了是对老师，学姐说明的“复盘”，还有对这个生成问题的步骤的必要性的思考。按照往常逻辑，要对一段文本根据标准答案评分，只需要对比答案之间的文本相似度或者寻找相应关键词给定最后得分。那么老师给出的采用先生成问题在进行处理的方法意义何在，或者说有什么优点？我们经过讨论，觉得原因有三。第一，过去采用的大部分是直接比较答案文本的相似性，这里主要还是关键词的相似性，这将带来很大的局限，准确率也不高。第二，其实，在操作过程中，答案回答的是问题。所以说，问题要在一定程度上比答案更接近“本质”。那么采用生成问题在先的情况下，将有很大的机会来提高准确率。第三，问题的涵盖面一般情况下不受制于答案，面也更广，从某种意义上讲，答案并不能包含问题的所有方面；相比之下，答案必须回答的是问题中的某个点，范围上一般不至于问题。综上，我们认为问题生成还是很有必要进行的。
在3.25，我们又一次找了老师。这一次的目的在于进一步理顺思路。这一次，我们得到了项目整体的思路，整理的文件大致如下：

我们紧接着进行了一次会议，会议捋顺了老师的思路指导，主要交流了两个问题的，一个是问题生成的过程考虑，另一个是最后用来评分的评价函数。生成的问题q是需要满足条件的：样本中标记的答案应该能回答该问题，错误的答案不应该回答该问题。我们采用两次筛选的方法。第一次，使用评价函数，得到φ（q,R）与φ（q,P）一致的q。这就很好的解决了“样本中标记的答案应该能回答该问题”的问题。第二次，选出φ（{q},N）与φ（{q},P）不一致的q集。这能比较基础的解决“错误的答案不应该回答该问题”的问题。这两部之后，其实并不能算完成筛选。我们还需要最大化q，来提供更多的答案空间，提升准确率。求一个最大的q集，能够准确切割P与N。
对于评价函数，我们还没有做细致的思考。计划下周将搜索问题生成的相关方面的资料探索，并明晰评价函数的实现，进一步理解该思路的实现方法。
在3.27，我们讨论了相应环境的配置。我们打算采用pytorch，安装配置了环境。在这之后，我们考虑问题生成采用什么方式。在商定以神经网络为基础的情况下，我们先学习了神经网络的基础知识，主要是RNN，资料网站如下：
https://blog.csdn.net/zhaojc1995/article/details/80572098?utm_medium=distribute.pc_relevant.none-task-blog-2%7Edefault%7EBlogCommendFromBaidu%7Edefault-5.control&dist_request_id=&depth_1-utm_source=distribute.pc_relevant.none-task-blog-2%7Edefault%7EBlogCommendFromBaidu%7Edefault-5.control

至于我个人，这周活动主要集中于会议，即思路的确定与理解。工作过程在上文中已经列举，不再赘述。其中，关于问题生成的意义我做了自己的理解，并充分理解了思路中的q与φ。之后便可按部就班，继续学习。