论文阅读 Question Generation

对seq2seq模型，attention机制以及NLP评价标准不了解的同学可以看的另外三篇笔记（暂未完成），文中将不仔细介绍这些内容，有疏漏或者补充欢迎评论~

QG相对QA来说研究少了不少，粗略在arxiv搜过，2017年才陆续看到几篇seq2seq相关的工作，也可能是我疏漏了一些文章。

mark：另一篇笔记对QG做了一个简短的总结：问题生成（QG）总结

---

论文

Generating Factoid Questions With Recurrent Neural Networks: The 30M Factoid Question-Answer Corpus

Yoshua Bengio, University of Montreal, Canada 2016
原文地址

作者目标是基于知识库（KB）生成大量问题，方法是将一个事实转化为一个满足以下两个条件的问题。一个是问题要与这个事实的relationship和subject相关，第二点是问题的答案应该就是这个事实的object。

知识库的结构类似于有向图，一个fact可以视为含有三个参数subject，object和relationship，前两者是node，后者是edge。{subject->object}

模型：

${P(Q|F) = \prod_{n=1}^N P(\omega_n |\omega_{<n},F)}$

F代表fact，Q代表question (${\omega_1,\omega_2,...,\omega_n}$)

结构：

模型就是一个带attention的seq2seq模型，encoder+decoder
encoder是将fact的三个参数分别embedding后直接拼接得到语义向量c
decoder是一个GRU RNN，attention是bahdanau attention

数据集：SimpleQuestions dataset

查了一下，居然是memory net的提出者FB大佬Antoine Bordes的文章

评价标准：BLEU，METEOR，Emb. Greedy

实验结果：

例子：

---

Learning to Ask: Neural Question Generation for Reading Comprehension

Xinya Du, Cornell University, ACL 2017
原文链接

本文似乎是第一个用seq2seq端到端结构来做QG的，之前基本是基于规则的做法，将词填入规定好的模板。这篇文章的做法也是基于一个attention+seq2seq的结构，输入同时考虑了句子和文章，相比baseline模型有显著的提升

这篇文章的code已经开源了，是用pytorch实现的，地址：
https://github.com/xinyadu/nqg

模型：

y=argmaxP(y|x)