A Vietnamese Question Answering System
问答系统的目标是对用户的问题产生准确的答案,而不是像当前搜索引擎所使用的相关文档的列表。在本文中,我们提出了一个基于本体的越南语问答系统,允许用户表达他们的问题在自然语言。据我们所知,这是第一次尝试,使用户能够使用越南自然语言查询本体知识库。我们的系统上的组织本体的实验显示出可喜的成果。
2019-11-26 cs.CL
EVJVQA Challenge: Multilingual Visual Question Answering
University of Information Technology(信息科技大学);Vietnam National University(越南国家大学)
针对现有多语言视觉问答缺乏贴合特定国家文化的数据集的问题,本文发布包含越英日三语3.3万余问答对的EVJVQA基准数据集,介绍VLSP 2022相关挑战赛的组织、参赛方法及结果,为多语言VQA研究提供支撑。
2024-04-17 cs.CL
A Factoid Question Answering System for Vietnamese
Hanoi University of Science(河内科学大学);FPT Technology Research Institute(FPT技术研究院);FPT University(FPT大学)
在本文中,我们描述了一个端到端的事实问答系统的越南语的发展。该系统在一系列处理模块中结合了统计模型和基于本体的方法,以提供从自然语言文本到实体的高质量映射。我们提出了这样一个智能的用户界面的发展,如越南语的孤立语言的挑战,并表明,曲折的语言开发的技术不能应用“原样”。我们的问答系统可以回答广泛的一般知识的问题,有前途的准确性测试集。
2018-03-28 cs.CL
Generative Pre-trained Transformer for Vietnamese Community-based COVID-19 Question Answering
University of Information Technology, Ho Chi Minh city, Vietnam(胡志明市信息技术大学);Vietnam National University, Ho Chi Minh city, Vietnam(越南国立大学胡志明市分校)
本文针对越南语社区COVID-19问答研究不足的问题,提出GPT-2实现方案,并通过与多种Transformer及SOTA模型的比较实验证明其性能优于现有越南语社区问答模型。
2023-10-31 cs.CL
Improving Vietnamese Legal Question--Answering System based on Automatic Data Enrichment
VNU University of Engineering and Technology(越南国立大学工程技术大学);National Institute of Informatics(国立信息学研究所);Japan Advanced Institute of Science and Technology(日本北陆先端科学技术大学院大学)
针对越南语法律问答标注稀缺、预训练模型有限的问题,本文构建文章级检索式系统,并提出利用弱标注自动增强数据以提升语言模型性能,实验验证了该方法有效。
2023-06-08 cs.CL
A Vietnamese Text-Based Conversational Agent
Faculty of Information Technology University of Engineering
本文介绍了一个越南语基于文本的会话代理架构的特定知识领域,这是集成在一个问答系统。当问答系统无法对用户的输入提供答案时,我们的会话代理可以介入与用户交互以向用户提供答案。实验结果是有希望的,我们的越南语基于文本的会话代理实现了积极的反馈,在大学学术监管领域进行的研究。
2019-11-26 cs.CL
ViLegalExpert: A Large-Scale Benchmark for Vietnamese Legal Retrieval and Question Answering from Real-World Consultations
University of Information Technology(信息技术大学);Vietnam National University, Ho Chi Minh city(胡志明市越南国家大学)
针对越南法律咨询领域基准缺失的问题,构建了基于真实咨询的大规模基准ViLegalExpert,涵盖172K问题与34个法律领域,实验显示混合检索最优,为可靠越南法律AI提供挑战性基准。
2026-10-01 cs.CL
OpenViVQA: Task, Dataset, and Multimodal Fusion Models for Visual Question Answering in Vietnamese
University of Information Technology(信息科技大学);Vietnam National University, Ho Chi Minh city(胡志明市越南国家大学)
针对现有VQA数据集多面向高资源语言、且多为答案选择任务的局限,本文发布首个越南语开放式答案大规模VQA数据集OpenViVQA,并提出三种多模态融合模型,效果与主流SOTA模型相当,助力低资源语言VQA研究。
2023-05-07 cs.CL
XLMRQA: Open-Domain Question Answering on Vietnamese Wikipedia-based Textual Knowledge Source
University of Information Technology(信息技术大学);Vietnam National University, Ho Chi Minh City(胡志明市越南国家大学)
问答(QA)是信息检索和信息抽取领域中的一个自然语言理解任务,近年来由于基于机器阅读理解的模型的蓬勃发展,引起了计算语言学和人工智能研究界的广泛关注。基于读者的问答系统是一个高级搜索引擎,它可以使用机器阅读理解(MRC)技术在开放域或特定域的文本中找到查询或问题的正确答案。特别是MRC和QA系统中的数据资源和机器学习方法的大多数进步都是在两种资源丰富的语言(如英语和中文)中显着发展的。像越南语这样的低资源语言见证了问答系统研究的匮乏。本文介绍了XLMRQA,第一个越南QA系统,使用基于维基百科的文本知识源(使用NHT-ViQuAD语料库)上的基于监督转换器的阅读器,优于两个强大的QA系统,使用深度神经网络模型:DrQA和BERTserini,分别为24.46%和6.28%。从三个系统上获得的结果,我们分析了问题类型的QA系统的性能的影响。
2022-08-13 cs.CL
UIT-ViCoV19QA: A Dataset for COVID-19 Community-based Question Answering on Vietnamese Language
University of Information Technology(信息技术大学);VNU-HCM(胡志明市国家大学)
在过去两年,即二零二零年至二零二一年,COVID-19破坏了包括越南在内的多个国家的疾病预防措施,并对人类生活和社会社区的各个方面产生负面影响。此外,社会上的误导性信息和有关疫情的假新闻也是严重的情况。因此,我们提出了第一个基于越南社区的问答数据集,用于开发COVID-19的问答系统,名为EAS-ViCoV 19 QA。该数据集包括从可信医疗来源收集的4,500个问答对,每个问题至少有一个答案,最多有四个独特的释义答案。除了数据集,我们还建立了各种深度学习模型作为基线,以评估数据集的质量,并通过常用的指标(如BLEU、METEOR和ROUGE-L)启动基准结果,以供进一步研究。我们还说明了在这些模型上进行多个释义答案实验的积极影响,特别是在Transformer -研究领域的主导架构上。
2022-09-14 cs.CL
UIT-OpenViIC: A Novel Benchmark for Evaluating Image Captioning in Vietnamese
University of Information Technology(信息技术大学);Vietnam National University, Ho Chi Minh City(胡志明市越南国家大学)
针对越南语图像描述缺乏基准的问题,构建了UIT-OpenViIC数据集,并提出了CAMO方法以提升描述质量,为低资源语言研究提供标准评估平台。
2023-05-09 cs.CL cs.CV
Integrating Image Features with Convolutional Sequence-to-sequence Network for Multilingual Visual Question Answering
University of Information Technology(信息技术大学);Vietnam National University(越南国家大学)
本文针对多语言视觉问答任务,将预训练VQA模型提示和图像特征融入卷积序列到序列网络,在UIT-EVJVQA数据集上取得竞赛第三名。
2023-09-03 cs.CL cs.CV
A Vietnamese Dataset for Evaluating Machine Reading Comprehension
University of Information Technology(信息大学);Vietnam National University, Ho Chi Minh City(胡志明市越南国家大学)
世界上有超过9700万人将越南语作为母语。然而,针对越南语机器阅读理解(MRC)的研究较少,由于缺乏越南语的基准数据集,本文提出了越南语问答数据集(ViQuAD),这是一个针对越南语这一低资源语言的新数据集,用于评估MRC模型。该数据集包含超过23,000个人工生成的问答对,基于维基百科174篇越南语文章的5,109段。特别是,我们提出了一个新的越南MRC数据集创建过程。我们的深入分析表明,我们的数据集需要超越单词匹配等简单推理的能力,并需要单句和多句推理。此外,我们进行了国家的最先进的MRC方法为英语和汉语作为第一个实验模型的EST-ViQuAD的实验。我们还估计了人类在数据集上的表现,并将其与强大的机器学习模型的实验结果进行了比较。因此,人类表现与数据集上最佳模型表现之间的实质性差异表明,在未来的研究中,可以对EST-ViQuAD进行改进。我们的数据集可在我们的网站上免费获得,以鼓励研究界克服越南MRC的挑战。
2020-11-07 cs.CL
VLSP 2025 MLQA-TSR Challenge: Vietnamese Multimodal Legal Question Answering on Traffic Sign Regulation
Japan Advanced Institute of Science and Technology(日本先进科学研究院);University of Information Technology(信息技术大学);Vietnam National University(越南国家大学)
本文介绍VLSP 2025 MLQA-TSR共享任务,包含多模态法律检索与问答两个子任务,旨在推动越南语交通标志法规多模态法律处理,最佳F2分数64.55%,问答准确率86.30%。
2025-10-23 cs.AI cs.CL
SemViQA: A Semantic Question Answering System for Vietnamese Information Fact-Checking
Industrial University of Ho Chi Minh City(胡志明市工业大学);University of Science VNU-HCM(VNU-HCM大学)
针对越南语等低资源语言事实核查现有方法的不足,提出整合语义证据检索与两步判定分类的SemViQA框架,兼顾精度与速度,在相关基准和挑战赛中取得最优成绩,其快速版还能在保持准确率的同时大幅提升推理速度。
2025-10-05 cs.AI cs.CL
VLSP 2021 - ViMRC Challenge: Vietnamese Machine Reading Comprehension
University of Information Technology(信息技术大学);Vietnam National University, Ho Chi Minh City(胡志明市越南国家大学);Denison University(丹尼森大学)
针对现有越南语MRC数据集仅覆盖可回答问题的不足,发布UIT-ViQuAD 2.0基准数据集并举办VLSP 2021越南语MRC挑战赛,公布参赛情况、参赛方法及最高成绩,推动越南语相关NLP研究。
2022-04-04 cs.CL
SPBERTQA: A Two-Stage Question Answering System Based on Sentence Transformers for Medical Texts
University of Information Technology(信息技术大学);Vietnam National University Ho Chi Minh City(越南胡志明市国家大学)
近年来,问答(QA)系统获得了爆炸性的关注。然而,越南语的QA任务没有太多的数据集。值得注意的是,在医学领域几乎没有数据集。因此,我们建立了一个越南医疗保健问答数据集(ViHealthQA),包括10,015个问答段落对,其中对健康感兴趣的用户在著名的健康网站上提出的问题和高素质专家的答案。本文提出了一种基于句子BERT(SBERT)的两阶段问答系统,该系统使用多个否定排序(MNR)损失并结合BM 25。然后,我们进行了不同的实验与许多袋的话模型,以评估我们的系统的性能。与传统的方法相比,该系统取得了更好的性能。
2022-06-20 cs.CL
VNHSGE: VietNamese High School Graduation Examination Dataset for Large Language Models
Eastern International University(东方国际大学);International University(国际大学)
本文提出覆盖九科目、含逾1.9万选择题和300篇作文的越南高中毕业考试数据集VNHSGE,用于多任务评估大语言模型,并发现ChatGPT和BingChat在文科接近人类水平、在数学和自然科学仍有不足。
2023-05-20 cs.CL
VLQA: The First Comprehensive, Large, and High-Quality Vietnamese Dataset for Legal Question Answering
Japan Advanced Institute of Science and Technology(日本先进科学研究院);VNU University of Engineering and Technology(VNU工程大学);VNU University of Law(VNU法律大学);National Institute of Informatics(国立信息学研究所)
针对越南语法律 NLP 缺乏高质量标注语料的问题,本文构建并统计分析了全面的 VLQA 数据集,并基于法律信息检索与问答任务用 SOTA 模型评估其有效性。
2025-07-26 cs.AI cs.CL
ViHERMES: A Graph-Grounded Multihop Question Answering Benchmark and System for Vietnamese Healthcare Regulations
URA Research Group, Faculty of Computer Science and Engineering, Ho Chi Minh City University of Technology (HCMUT), VNU-HCM, Vietnam(URA研究组,计算机科学与工程学院,胡志明市技术大学(HCMUT),VNU-HCM,越南)
ViHERMES是一个针对越南医疗法规多跳问答的基准和系统,通过图感知方法提升法规问答性能。
2026-02-07 cs.CL cs.IR
ViCLEVR: A Visual Reasoning Dataset and Hybrid Multimodal Fusion Model for Visual Question Answering in Vietnamese
University of Information Technology(信息技术大学);Vietnam National University(越南国立大学);HUTECH University(胡志明市技术大学)
针对越南语视觉问答资源匮乏问题,本文提出ViCLEVR数据集与PhoVIT多模态融合模型,通过早期融合transformer实现图文联合推理,并在四个指标上取得最优性能。
2023-10-27 cs.CL cs.CV
Vintern-1B: An Efficient Multimodal Large Language Model for Vietnamese
本文提出 Vintern-1B,一种面向越南语任务的 10 亿参数多模态大语言模型,结合 Qwen2-0.5B 与 InternViT 视觉模型,在超 300 万图文对上微调,在多个越南语基准上表现稳健,且支持端侧部署。
2024-08-23 cs.CL cs.LG
Enhancing lexical-based approach with external knowledge for Vietnamese multiple-choice machine reading comprehension
University of Information Technology(信息技术大学);Vietnam National University, Ho Chi Minh City(胡志明市越南国家大学)
虽然越南语是世界上第17大最受欢迎的母语,但关于越南语机器阅读理解(MRC)的研究并不多。MRC是理解文本并回答有关文本的问题的任务。原因之一是缺乏高质量的基准数据集。在这项工作中,我们构建了一个数据集,其中包括2,783对多项选择题和答案的基础上,417越南语文本,这是常用的小学生阅读理解教学。此外,我们提出了一个基于词汇的MRC方法,利用语义相似性的措施和外部知识源分析问题,并从给定的文本中提取答案。我们比较了该模型的性能与几个基线基于词汇和神经网络为基础的模型。我们提出的方法达到61.81%的准确率,这是5.51%,高于最好的基线模型。我们还在我们的数据集上测量了人类的表现,发现机器模型和人类表现之间存在很大的差距。这表明在这项任务上可以取得重大进展。该数据集可在我们的网站上免费获得,用于研究目的。
2020-11-01 cs.CL
Cross-Lingual Legal QA for Vietnamese Labour Law: Retrieval, Translation, and Verifier-Guided Correction
VinUniversity(维新大学);Lancaster University(兰卡斯特大学);Cardiff University(卡迪夫大学)
针对越南劳动法的跨语言法律问答,构建双语评估套件,提出验证器引导的流水线,发现密集检索优于稀疏检索,验证器修正提升引用保留,但自动诊断与人类判断不完全一致。
2026-09-24 cs.CL
Analyzing Vietnamese Legal Questions Using Deep Neural Networks with Biaffine Classifiers
Posts and Telecommunications Institute of Technology(邮电技术学院);FPT Technology Research Institute(FPT技术研究院);FPT University(FPT大学)
针对越南语法律问题信息提取任务,提出融合多特征、分三阶段且采用双仿射分类器的深度模型,在公开数据集上F1达94.79%,大幅优于现有工作。
2023-04-27 cs.CL
PathVQA: 30000+ Questions for Medical Visual Question Answering
University of California San Diego(加州大学圣迭戈分校);Beijing University of Technology(北京工业大学);Carnegie Mellon University(卡内基梅隆大学)
有没有可能培养出“AI病理学家”,通过美国病理学委员会的委员会认证考试?为了实现这一目标,第一步是创建一个可视化的问答(VQA)数据集,其中向人工智能智能体提供病理图像和一个问题,并要求它给出正确的答案。我们的工作首次尝试建立这样的数据集。与创建通用域VQA数据集不同,在通用域VQA数据集中,图像可以广泛访问,并且有许多众包工作人员可以生成问答对,开发医疗VQA数据集更具挑战性。首先,由于隐私问题,病理图像通常不公开。其次,只有训练有素的病理学家才能理解病理图像,但他们几乎没有时间帮助创建人工智能研究的数据集。为了应对这些挑战,我们求助于病理学教科书和在线数字图书馆。我们开发了一个半自动化的管道,从教科书中提取病理图像和标题,并使用自然语言处理从标题中生成问答对。我们从4,998张病理图像中收集了32,799个开放式问题,每个问题都经过手动检查以确保正确性。据我们所知,这是病理学VQA的第一个数据集。我们的数据集将公开发布,以促进医学VQA的研究。
2020-03-07 cs.AI cs.CL
Evaluating the Symbol Binding Ability of Large Language Models for Multiple-Choice Questions in Vietnamese General Education
University of Information Technology(信息科技大学);Vietnam National University Ho Chi Minh City(越南国家大学胡志明市)
本文构建严格 LaTeX 化的越南普通教育多学科选择题数据集,并评估六种 LLM 在零样本、单样本和少样本设置下的多选符号绑定能力。
2025-05-13 cs.CL
ViMQ: A Vietnamese Medical Question Dataset for Healthcare Dialogue System Development
VinBrain
本文发布面向意图分类与命名实体识别的越南语医疗问题数据集 ViMQ,并通过带跨度噪声建模的自监督策略显著提升基线模型性能。
2023-04-27 cs.CL
Ripple Down Rules for Question Answering
Macquarie University(麦考瑞大学);Saarland University(萨尔大学);VNU University of Engineering and Technology, Vietnam National University, Hanoi(河内越南国家大学工程技术大学)
基于本体的问答系统是近年来出现的一个新趋势。这些系统使用语义Web信息来对用户的查询产生更精确的答案。然而,这些系统大多是为英语设计的。在本文中,我们介绍了一个基于本体的问答系统命名KbQAS,据我们所知,是第一个为越南人。KbQAS采用我们的问题分析方法,系统地构建了一个语法规则的知识库,将每个输入的问题转换为一个中间表示元素。KbQAS然后获取关于目标本体的中间表示元素,并应用概念匹配技术来返回答案。在大范围的越南语问题上,实验结果表明,KbQAS的性能是有前途的84.1%和82.4%的准确率分析输入问题和检索输出答案,分别。此外,我们的问题分析方法可以很容易地应用到新的领域和新的语言,从而节省时间和人力。
2015-11-04 cs.CL cs.IR
Prompting Medical Large Vision-Language Models to Diagnose Pathologies by Visual Question Answering
University of California, Los Angeles(加利福尼亚大学洛杉矶分校);VoxelCloud, Inc.(VoxelCloud公司)
本文提出两种提示策略,通过病变解释和弱学习器判断缓解医学LVLM的幻觉与数据不平衡问题,显著提升VQA诊断性能并可推广至通用LVLM。
2025-03-17 cs.AI cs.CL cs.CV
RadImageNet-VQA: A Large-Scale CT and MRI Dataset for Radiologic Visual Question Answering
Raidium;Université de Paris Cité, Hôpital Européen Georges Pompidou, AP-HP(巴黎西岱大学,乔治·蓬皮杜欧洲医院,AP-HP);Department of Vascular and Oncological Interventional Radiology, INSERM(血管与肿瘤介入放射学系,法国国家健康与医学研究院)
本文提出RadImageNet-VQA数据集,包含750万张图像和750万个问题-答案对,涵盖异常检测、解剖识别和病理识别三大任务,验证了视觉语言模型在细粒度病理识别上的局限性。
2026-03-30 cs.AI cs.CL cs.CV
R2GQA: Retriever-Reader-Generator Question Answering System to Support Students Understanding Legal Regulations in Higher Education
University of Information Technology(信息科技大学);Vietnam National University, Ho Chi Minh City(越南国家大学胡志明市分校)
本文提出由检索器、阅读器和生成器组成的 R2GQA 越南语法律问答系统,并构建含 9,758 个问答对的 ViRHE4QA 数据集,实验验证其可帮助学生理解高校法规。
2024-09-04 cs.AI cs.CL
Investigating the Effectiveness of ChatGPT in Mathematical Reasoning and Problem Solving: Evidence from the Vietnamese National High School Graduation Examination
Eastern International University(东方国际大学);International University, VNUHCM(越南国立大学胡志明市国际大学)
本研究基于越南国家高中毕业考试250道数学题评估ChatGPT的推理能力,发现其在低难度题准确率达83%、高难度题仅10%,并指出其有教学潜力但处理图形和难题仍存不足。
2023-10-31 cs.CL cs.LG
ViCocktail: Automated Multi-Modal Data Collection for Vietnamese Audio-Visual Speech Recognition
New Turing Institute(新图灵研究所);Phenikaa University(费尼卡大学);Vietnam Institute of Information Technology(越南信息技术研究所);VietAI Research(越南人工智能研究)
本文提出一种从原始视频自动生成越南语音视频语音识别数据集的高效方法,并基于该数据构建基线AVSR模型,在噪声环境中显著优于纯音频ASR,为低资源语言扩展AVSR提供了可行路径。
2025-06-05 cs.CL cs.CV
Nested Named-Entity Recognition on Vietnamese COVID-19: Dataset and Experiments
School of Applied Mathematics and Informatics, Hanoi University of Science and Technology(1 工程数学与信息学院,河内科学技术大学);Financial Deep Mind(2 财务深度智能);National Economics University(3 国家经济大学);Faculty of Information Technology, Hanoi Open University(4 信息学院,河内开放大学)
针对越南新冠疫情接触者追踪等防控工作依赖人工、效率低的问题,本研究开展助力疫情防控的命名实体识别研究,发布了带新定义实体类型的人工标注越南语新冠嵌套NER数据集。
2025-06-14 cs.CL cs.LG
MLQA: Evaluating Cross-lingual Extractive Question Answering
Facebook AI Research(脸书人工智能研究院);University College London(伦敦大学学院)
问答(QA)模型已经显示出快速的进步,这得益于大型高质量基准数据集的可用性。这种带注释的数据集很难收集,而且收集成本很高,而且很少以英语以外的语言存在,这使得培训其他语言的QA系统具有挑战性。构建大型单语训练数据集的替代方案是开发跨语言系统,该系统可以转换为目标语言,而不需要该语言的训练数据。为了开发这种系统,必须投资于高质量的多语种评价基准,以衡量进展情况。我们提出了MLQA,一个多路对齐的提取QA评估基准,旨在促进这一领域的研究。MLQA包含7种语言的QA实例,即英语、阿拉伯语、德语、西班牙语、印地语、越南语和简体中文。它由超过12K个英语QA实例和5K个其他语言的QA实例组成,每个QA实例平均在4种语言之间并行。MLQA是使用一种新的对齐上下文策略在维基百科文章上构建的,并作为对现有提取QA数据集的跨语言扩展。我们评估MLQA上当前最先进的跨语言表示,并提供基于机器翻译的基线。在所有情况下,迁移结果被证明是显着落后于培训语言性能。
2020-05-03 cs.AI cs.CL cs.LG
Exploiting Hybrid Semantics of Relation Paths for Multi-hop Question Answering Over Knowledge Graphs
Peking University(北京大学);Tencent(腾讯)
在知识图谱(KGQA)上表达自然语言问题对于通过多跳推理理解复杂问题仍然是一个巨大的挑战。以往的研究通常利用大规模的实体相关文本语料库或知识图谱(KG)作为辅助信息,以促进答案的选择。然而,丰富的语义隐含在现成的实体之间的关系路径远未得到很好的探索。本文提出利用关系路径的混合语义来改进多跳KGQA。具体来说,我们集成了显式的文本信息和隐含的KG结构特征的关系路径的基础上一个新的旋转和缩放实体链接预测框架。在现有的三个KGQA数据集上的大量实验证明了该方法的优越性,特别是在多跳场景中。进一步的研究证实了我们的方法的系统协调问题和关系路径识别答案实体。
2022-09-02 cs.CL
EHRNavigator: A Multi-Agent System for Patient-Level Clinical Question Answering over Heterogeneous Electronic Health Records
EHRNavigator通过多智能体系统在异构电子健康记录上实现患者级临床问答,展示出高准确率和高效响应,有效连接基准评估与临床应用。
2026-01-15 cs.CL
Learning to Retrieve Reasoning Paths over Wikipedia Graph for Question Answering
University of Washington(华盛顿大学);Salesforce Research(Salesforce研究院);Allen Institute for Artificial Intelligence(艾伦人工智能研究院)
在网络规模上搜索需要多跳推理的问题需要检索多个证据文档,其中一个文档通常与问题几乎没有词汇或语义关系。本文介绍了一种新的基于图的循环检索方法,该方法学习检索维基百科图上的推理路径来回答多跳开放域问题。我们的检索器模型训练一个递归神经网络,该网络通过对先前检索到的文档进行调节来学习顺序检索推理路径中的证据段落。我们的读者模型对推理路径进行排序,并提取出最佳推理路径中包含的答案跨度。在三个开放域QA数据集上的实验结果显示了最先进的结果,展示了我们方法的有效性和鲁棒性。值得注意的是,我们的方法在HotpotQA中实现了显着的改进,比之前的最佳模型高出14个点以上。
2020-02-14 cs.CL
GCoT-Decoding: Unlocking Deep Reasoning Paths for Universal Question Answering
School of Informatics, Xiamen University(厦门大学信息学院)
本文提出GCoT-Decoding策略,结合Fibonacci采样和启发式错误回溯,生成候选解码路径并计算置信度,通过语义相似路径聚合获得共识答案,提升通用问答性能。
2026-04-08 cs.CL
NeCo@ALQAC 2023: Legal Domain Knowledge Acquisition for Low-Resource Languages through Data Enrichment
VNU University of Engineering and Technology(越南国立大学工程技术大学);National Institute of Informatics(国立情报学研究所)
本文提出NeCo团队在ALQAC 2023越南语法律问答任务中的解决方案,通过结合相似度排序、深度学习模型及自适应技术进行数据增强,在法律文档检索和答案提取任务上取得出色结果,验证了低资源语言法律问答系统的有效性。
2023-09-11 cs.AI cs.CL
Conformal Path Reasoning: Trustworthy Knowledge Graph Question Answering via Path-Level Calibration
Rutgers University(罗格斯大学);Independent Researcher(独立研究者);University of Illinois Urbana-Champaign(伊利诺伊大学厄巴纳-香槟分校);The University of Sydney(悉尼大学)
提出Conformal Path Reasoning (CPR)框架,通过查询级共形校准和残差共形价值网络(RCVNet)学习判别性路径级非一致性分数,在保证有效覆盖的同时将预测集大小平均减少52%。
2026-06-17 cs.CL
Exploiting Rich Syntax for Better Knowledge Base Question Answering
Soochow University(苏州大学);Tencent(腾讯)
最近的研究表明,知识库问答(KBQA)通过更好地理解问题,在这一任务上取得了很大的进展。以往的编码问题的研究主要集中在单词序列上,而很少考虑句法树的信息。首先,我们通过考虑关键字之间的最短依赖路径来编码基于路径的语法。然后,我们提出了两种编码策略来对整个句法树的信息进行建模,以获得基于树的句法。最后,我们结合了基于路径和基于树的语法表示KBQA。我们在一个广泛使用的基准数据集上进行了大量的实验,实验结果表明,我们的语法感知系统可以充分利用不同设置中的语法信息,并实现最先进的KBQA性能。
2021-07-16 cs.CL
Medicines Question Answering System, MeQA
Agencia Española de Medicamentos y Productos Sanitarios (AEMPS)(西班牙药品和健康产品局)
在本文中,我们提出了第一个系统,在西班牙能够回答有关药物供人类使用的问题,称为MeQA(药品问答),由西班牙药品和健康产品局(AEMPS,其西班牙语的首字母缩写)创建的一个项目。提供医疗帮助的在线服务大幅增加,主要是由于COVID-19导致的当前疫情。例如,Doctoralia、Savia或SaludOnNet等网站提供Doctor Answers类型的咨询,患者或用户可以向医生和专家发送问题,并在24小时内收到答案。收到的许多问题都与人用药品有关,大多数问题都可以通过传单得到解答。因此,像MeQA这样能够自动回答这类问题的系统可以减轻这些网站的负担,对这些患者来说也很有用。
2021-11-04 cs.CL
PAT-Questions: A Self-Updating Benchmark for Present-Anchored Temporal Question-Answering
University of California, Riverside(加州大学河滨分校)
本文提出了当前锚定时间问答(PATQA)的自更新基准PAT-Questions,支持通过SPARQL查询自动刷新答案,评估了多个LLM和SOTA模型,揭示了现有方法在处理相对当前时间问题上的局限性。
2024-06-03 cs.CL
Medical Exam Question Answering with Large-scale Reading Comprehension
Tsinghua University(清华大学);Tsinghua-iFlytek Joint Laboratory(清华-讯飞联合实验室)
文本的阅读和理解是临床医学计算机辅助诊断的重要组成部分,也是自然语言处理领域的一个主要研究问题。在这项工作中,我们引入了一个问答任务,称为MedQA研究回答问题,在临床医学中使用的知识,在一个大规模的文件收集。MedQA的目的是通过大规模阅读理解来回答现实世界的问题。我们提出了我们的解决方案SeaReader--一个基于LSTM网络和双路径注意力架构的模块化端到端阅读理解模型。这种新颖的双路径注意力从两个角度对信息流进行建模,并且能够同时阅读单个文档并整合多个文档中的信息。在实验中,我们的SeaReader在MedQA上的准确性比竞争模型有了很大的提高。此外,我们开发了一系列新的技术来演示解释的问答过程中的SeaReader。
2018-02-28 cs.CL
PathReasoner: Modeling Reasoning Path with Equivalent Extension for Logical Question Answering
School of Computer Science and Technology, Xi’an Jiaotong University(西安交通大学计算机科学与技术学院);Ministry of Education Key Laboratory of Intelligent Networks and Network Security(教育部智能网络与网络安全重点实验室);Shaanxi Province Key Laboratory of Big Data Knowledge Engineering(陕西省大数据知识工程重点实验室)
针对当前大模型在逻辑推理任务中逻辑一致性和结构感知不足的问题,提出PathReasoner架构,通过等价逻辑公式扩展原子构建新推理路径,并设计结合高阶扩散的路径注意力模块联合建模原子内外关系,在基准上取得优异性能与泛化能力。
2024-05-29 cs.CL
Modeling Multi-hop Question Answering as Single Sequence Prediction
Salesforce Research(赛富时研究院)
解码器融合(Fid)(Izacard和Grave,2020)是一种生成式问答(QA)模型,它利用预先训练的Transformer进行段落检索,并将最先进的技术推向单跳QA。然而,多跳QA的复杂性阻碍了生成式QA方法的有效性。在这项工作中,我们提出了一个简单的生成方法(PathFid),通过明确建模的推理过程来解决多跳问题的答案,扩展任务不仅仅是答案生成。通过线性化支持段落、其关键句子以及最终事实答案的分层推理路径,我们将问题视为单个序列预测任务。为了方便复杂的推理与多个线索,我们进一步扩展了统一的平面表示的多个输入文档的编码交叉通道的相互作用。我们广泛的实验表明,PathFid导致两个多跳QA数据集:HotpotQA和IIRC强大的性能增益。除了性能的提高,PathFid更具有可解释性,这反过来又会产生与基线Fid模型相比更忠实地基于支持段落和事实的答案。
2022-05-18 cs.CL
ArgHiTZ at ArchEHR-QA 2025: A Two-Step Divide and Conquer Approach to Patient Question Answering for Top Factuality
HiTZ Center - Ixa, University of the Basque Country UPV/EHU(HiTZ中心-伊萨,巴斯克大学UPV/EHU)
针对 ArchEHR-QA 2025 患者问答任务,研究提出三种无外部知识的方法,其中基于重排序器的两步法表现最优,获事实性指标第一、总榜第8的成绩。
2025-06-15 cs.CL
Attention-based Aspect Reasoning for Knowledge Base Question Answering on Clinical Notes
Stevens Institute of Technology(史蒂文斯理工学院);Virginia Tech(弗吉尼亚理工大学);Pacific Northwest National Laboratory(太平洋西北国家实验室)
在过去的几年里,临床笔记中的问答(QA)得到了很多关注。临床领域现有的机器阅读理解方法只能处理关于单个临床文本块的问题,而不能检索关于多个患者及其临床笔记的信息。为了处理更复杂的问题,我们的目标是从临床笔记中创建知识库,将不同的患者和临床笔记联系起来,并执行知识库问答(KBQA)。基于n2c2数据集中可用的专家注释,我们首先创建了ClinicalKBQA数据集,其中包括大约9000个QA对,并使用300多个问题模板涵盖了有关7个医学主题的问题。然后,我们研究了KBQA的基于注意力的方面推理(AAR)方法,并分析了答案的不同方面(例如,实体、类型、路径和上下文)进行预测。由于编码器和注意力机制的良好设计,AAR方法获得了更好的性能。通过实验,我们发现,类型和路径这两个方面,使模型能够识别出满足一般条件的答案,并产生较低的准确率和较高的召回率。另一方面,实体和上下文的方面,限制了特定于节点的信息的答案,导致较高的准确率和较低的召回率。
2022-07-22 cs.CL
Hybrid-IR: Dual-Path Hybrid Retrieval with Iterative Reasoning for Complex Medical Question Answering
College of Artificial Intelligence, Nanjing Agricultural University(南京农业大学人工智能学院);School of Computer Science and Engineering, Nanjing University of Science and Technology(南京理工大学计算机科学与工程学院)
提出Hybrid-IR框架,结合图检索与稠密检索的双路径检索机制,并通过迭代检索-推理循环逐步优化推理轨迹,有效解决复杂医学问答中知识碎片化和静态检索不足的问题。
2026-06-25 cs.CL
Bounded Path Context: A Controlled Study of Visible Path History in LLM-Based Knowledge Graph Question Answering
School of Mathematical Sciences(数学科学学院);Xiamen University(厦门大学);School of Informatics(信息学院)
本文提出有界路径上下文(BPC)方法,通过将完整路径存储在符号记忆中,仅暴露最近K跳路径给关系选择提示,在WebQSP和CWQ数据集上使用Qwen3.5-9B-AWQ模型达到或超过全历史提示的性能,同时减少输入token。
2026-05-26 cs.CL
TRACE: An Experiential Framework for Coherent Multi-hop Knowledge Graph Question Answering
Mohamed bin Zayed University of Artificial Intelligence(穆罕默德·本·扎耶德人工智能大学);Hebei University of Technology(河北工业大学);City University of Hong Kong(香港城市大学)
TRACE框架通过整合语言模型驱动的上下文推理与探索先验,提升多跳知识图谱问答的连贯性和鲁棒性,实验表明其优于现有方法。
2026-04-13 cs.CL
Query pipeline optimization for cancer patient question answering systems
School of Computing and Information Systems, University of Melbourne(墨尔本大学计算与信息系统学院);Health Data Science and Biostatistics, University of Texas Southwestern Medical Center(德克萨斯西南医学中心健康数据科学与生物统计学)
本文提出了一种针对癌症患者问答系统的RAG查询管道三方面优化方法,通过改进文档检索、段落检索和语义表示,提升了回答准确性。
2026-04-16 cs.CL