Attentive Interactive Neural Networks for Answer Selection in Community Question Answering简析

最新推荐文章于 2020-08-21 14:54:08 发布
最新推荐文章于 2020-08-21 14:54:08 发布
阅读量646 收藏
点赞数
分类专栏： 论文学习 文章标签： cqa attention 简析
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/qq_35564813/article/details/100579377
版权

Attentive Interactive Neural Networks for Answer Selection in Community Question Answering

Introduction

论文区分不同的文本段落，同时设计了一个新颖的注意力交互网络来衡量对于文本段落的关注度。问题与回答的表示先由CNN学习，之后网络架构再学习不同文本段之间的交互。row-wise与column-wise的pooling被用来收集交互信息。

Model

首先利用CNN获得了问题与回答的表示。

为了计算每个文本段落的交互信息，对于每个文本段落两两之间计算交互性。

在这里插入图片描述

之后分别采用row-wise和column-wise pooling操作，得到对应的表示：

在这里插入图片描述

在这里插入图片描述

在得到对应交互信息后，通过利用（语句表示，交互信息，问题主题，问题类别）来计算attention，来分别得到问题与回答的表示。

在这里插入图片描述

在这里插入图片描述

同理回答的表示也由上述操作得到。

在得到对应的问题与回答的表示后，即可

loserChen.
关注
  • 0
    点赞
  • 踩
  • 0
    收藏
    觉得还不错? 一键收藏
  • 2
    评论
专栏目录
《Adversarial Training for Community Question Answer Selection Based on Multi-scale Matching》笔记
liunianhuakai的博客
09-11 308
来源：AAAI2019 资源：https://arxiv.org/pdf/1804.08058.pdf MOTIVATION CQA任务存在语义鸿沟现象，即一个和问题有很多重叠单词的答案可能并不是这个问题的相关答案。 标签不均衡问题：相关答案的整体数量通常比不相关答案的数量少。而且为了更好地利用标注数据以及给QA对提供更多训练，之前的研究大多是对于当前问题，随机采样答案作为这个问题的负样本。这会...
关于用深度学习做answer selection的论文
Sherry_up的博客
08-03 4042
分享了几篇关于用深度学习做answer selection的论文，并对论文进行总结。
是时候给你的产品配一个AI问答助手了！
weixin_33778778的博客
01-07 850
本文由云+社区发表 | 导语 问答系统是信息检索的一种高级形式，能够更加准确地理解用户用自然语言提出的问题，并通过检索语料库、知识图谱或问答知识库返回简洁、准确的匹配答案。相较于搜索引擎，问答系统能更好地理解用户提问的真实意图, 进一步能更有效地满足用户的信息需求。问答系统是目前人工智能和自然语言处理领域中一个倍受关注并具有广泛发展前景的研究方向。 一、引言 ​ 问答系统处理的对象...
Question Condensing Networks for Answer Selection in Community Question Answering读书笔记
sjh18813050566的专栏
01-24 474
发表于ACL2018 解决的问题：     Community question answering（CQA）中没有区分问题标题和描述内容，没有区分答案和问题中的噪音信息   采用的方法：     首先对所有单词采用Glove(fine-tune)+Char-level CNN得到词向量。     然后对于问题标题和内容的词向量，两两计算“相似度”，计算方法如下：         1...
论文笔记：Gazetteer-Enhanced Attentive Neural Networks for Named Entity Recognition
Wangpeiyi9979的博客
10-25 1043
文章目录摘要一、模型二、结果三、疑惑 摘要 文章设计了一种利用外部词典加强命名实体识别的方法，整个模型大致分为【Inner-Region Encoder】、【Attentive Context Encoder】、【Utterance Encoder】三个部分， 模型概略图如下所示： 该模型有助于解决缺乏训练数据的场景 一、模型 【Inner-Region Encoder】: 对应模型图的(a)部...
基于深度学习的FAQ检索式问答系统
shenyuan12的专栏
08-21 2084
问答系统是信息检索的一种高级形式，能够更加准确地理解用户用自然语言提出的问题，并通过检索语料库、知识图谱或问答知识库返回简洁、准确的匹配答案。相较于搜索引擎，问答系统能更好地理解用户提问的真实意图, 进一步能更有效地满足用户的信息需求。问答系统是目前人工智能和自然语言处理领域中一个倍受关注并具有广泛发展前景的研究方向。 一、引言 问答系统处理的对象主要包括用户的问题以及答案。根据问题所属的知识领域，问答系统可分为面向限定域的问答系统、面向开放域的问答系统、以及面向常用问题集（Frequen...
Attentive Recurrent Neural Network Weak-supervised Multi-label Image Classification
02-08
Attentive Recurrent Neural Network Weak-supervised Multi-label Image Classification
Attentive and ensemble 3D dual path networks for pulmonary nodules classification
02-11
Attentive and ensemble 3D dual path networks for pulmonary nodules classification
2.Neural Attentive Item Similarity Model for Recommendation.pdf
11-29
论文《NAIS: Neural Attentive Item Similarity Model for Recommendation》原篇
A simple neural attentive meta-learner_remotesensing_
10-01
标题"A simple neural attentive meta-learner_remotesensing_"和描述"A simple neural attentive meta-learner"都提到了一个关键概念——神经注意力元学习（Neural Attentive Meta-Learner）。这通常指的是在机器...
论文阅读：Transformer-Based Neural Network for Answer Selection in Question Answering
qq_38293297的博客
06-14 834
基于Transformer的神经网络在问答中的答案选择 文章目录基于Transformer的神经网络在问答中的答案选择0. 摘要1. 介绍2. 相关工作A. 非 DL 答案选择B. DL 答案选择3. 方法A、词表示层B、基于Transformer的特征提取器C、关联匹配层4. 实验A. 模型总结B. 研究问题C. 数据集和评估指标D. 实验设置5. 结果和讨论A. 模型性能B. 真值平均长度的讨论C. 模型比较6. 结论和未来展望 0. 摘要 答案选择是问答系统（QA）中至关重要的子任务。这项任务的传
《Inner Attention based Recurrent Neural Networks for Answer Selection》阅读笔记
zhaodongh的博客
03-03 1714
转载请注明出处：西土城的搬砖日常原文链接：Inner Attention based Recurrent Neural Networks for Answer Selection来源：ACL2016问题介绍：答案选择（Answer Selection）答案选择任务就是根据问题，从候选答案中找出正确答案，这里的答案一般都是长句，做答案选择任务常用的数据集有InsuranceQA，TrecQA，Wik...
ACL 2018 ACCEPTED PAPER
AI小白入门的博客
10-04 1万+
ACL 2018接受了258篇长论文和126篇短论文，总体接受率为24.9％。 论文官方地址：https://acl2018.org/programme/papers/ 详细如下： Long Papers A Framework for Representing Language Acquisition in a Population Setting. Jordan Kodner, Christo...
【论文阅读】Attentive Generative Adversarial Network for Raindrop Removal from A Single Image
Gillian_z
11-11 1218
论文发表于CVPR2018
cin >> gift_answer ;为什么不能写作cin >> gift_answer endl;
weixin_43538671的博客
07-01 76
cin >> gift_answer ;
论文《Recurrent Convolutional Neural Networks for Text Classification》总结
热门推荐
rxt2012kc的博客
06-26 1万+
《Recurrent Convolutional Neural Networks for Text Classification》论文来源：Lai, S., Xu, L., Liu, K., & Zhao, J. (2015, January). Recurrent Convolutional Neural Networks for Text Classification. In AAAI (Vol
深度学习之文本相似度Paper总结
小岁月太着急
05-17 7844
Tree-based CNN encoders 注意这里红框内的拼接部分，除了对pp和hh做简单的拼接之外，还做了p−hp−h，p⋅hp⋅h的操作，作者给出的解释是： The latter two are certain measures of “similarity” or “closeness.” 于是最后拼接起来的向量为m=[p;h;p−h;p⋅h]m=[p;h;...
深度学习课程笔记（十五）Recurrent Neural Network
a1424262219的博客
08-07 271
深度学习课程笔记（十五）Recurrent Neural Network 2018-08-0718:55:12 This video tutorial can be found from: Youtube Issue: 传统方法中，当你的训练数据中，没有那么丰富的 training data，那么可能会导致部分数据的预测为 0，如上图所示...
AutoInt，即Automatic Feature Interaction Learning via Self-Attentive Neural Networks，请用继承keras.Layer的方式实现，并重写Layer的init、build、call、get_config方法
最新发布
02-07
AutoInt 是一种通过自注意力神经网络来学习特征交互的方法。 可以通过继承 keras.layers.Layer 类来实现 AutoInt。重写 init、build、call、get_config 方法可以自定义层的初始化、构建、运行和序列化。 以下是一个简单的示例代码： ``` from keras import layers class AutoInt(layers.Layer): def __init__(self, output_dim, **kwargs): self.output_dim = output_dim super(AutoInt, self).__init__(**kwargs) def build(self, input_shape): # 创建自注意力层，并将其赋值给 self.attention self.attention = layers.MultiHeadAttention(...) # 创建全连接层，并将其赋值给 self.fc self.fc = layers.Dense(self.output_dim) super(AutoInt, self).build(input_shape) def call(self, inputs): # 使用自注意力层处理输入 x = self.attention(inputs) # 使用全连接层处理输出 x = self.fc(x) return x def get_config(self): config = {'output_dim': self.output_dim} base_config = super(AutoInt, self).get_config() return dict(list(base_config.items()) + list(config.items())) ``` 这是一个简单示例，具体实现可能会有所不同。

“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 2
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