Advances in Natural Language Question Answering: A Review
Sri Lanka Institute of Information Technology（斯里兰卡信息技术学院）；College of Science, Health, Engineering and Education（科学、健康、工程与教育学院）
由于学习技术的进步，问答最近受到了人工智能社区的高度关注。早期的问答模型使用基于规则的方法，并转向统计方法来处理大量可用的信息。然而，统计方法在处理语言的动态性质和变化方面表现不佳。因此，学习模型已经显示出处理语言的动态性质和变化的能力。许多深度学习方法已经被引入到问答中。与机器学习和统计方法相比，大多数深度学习方法都能获得更高的结果。语言的动态本质得益于深度学习中的非线性学习。这已经创造了显著的成功和问答工作的高峰。本文讨论了问答问答系统的成功和挑战，以及在这些挑战中使用的技术。
2019-04-10 cs.AI cs.CL
Geographic Question Answering: Challenges, Uniqueness, Classification, and Future Directions
University of California Santa Barbara（加州大学圣巴巴拉分校）
问答（QA）是人工智能的重要组成部分，其目的是对用自然语言表达的问题生成答案。虽然在开放域问答方面已经取得了实质性的进展，但是QA系统仍然在努力回答涉及地理实体或概念并且需要空间操作的问题。本文讨论了地理问答问题。本文首先通过分析地理问题的挑战性来探讨地理问题难答的原因。我们讨论了地理问题的独特性相比，一般的QA。然后，我们回顾现有的工作GeoQA和分类的问题，他们可以解决的类型。在此基础上，我们提供了一个通用的地理问题的分类框架。最后，我们总结了我们的工作，指出独特的未来研究方向GeoQA。
2021-05-19 cs.AI cs.CL
Building a Question Answering System for the Manufacturing Domain
ZheJiang University of Technology（浙江工业大学）
特种设备产品的设计或仿真分析必须遵循国家标准，因此在设计过程中可能需要反复查阅标准内容。而传统的基于关键词检索的问答系统很难对技术问题给出准确的答案。因此，我们采用自然语言处理技术，设计了一个压力容器设计决策过程的问答系统。针对科技类问答系统训练数据不足的问题，提出了一种从多个维度对陈述句生成问题的方法，使得陈述句可以生成多个问答对。此外，我们设计了一个基于双向长短期记忆（BiLSTM）网络的交互式注意力模型，以提高两个问句相似性比较的性能。最后，在公共和技术领域数据集上测试了问答系统的性能。
2021-11-19 cs.AI cs.CL
A Knowledge-based Approach for Answering Complex Questions in Persian
Shahid Beheshti University（贝赫什提大学）
开放领域问答的研究有着悠久的历史。这个领域的一个挑战是回答复杂问题（CQA），这需要复杂的推理方法和大量的知识。在低资源语言中，如波斯语，没有太多的开放域复杂问题的数据集，语言处理工具包也不是很准确。在本文中，我们提出了一个基于知识的方法来回答波斯语复杂的问题，使用Farsbase;波斯语知识图谱，利用PeCoQ;新创建的复杂波斯语问题数据集。在这项工作中，我们处理多约束和多跳的问题，通过建立他们的一组可能的相应的逻辑形式。然后，使用多语言BERT来选择最好的逻辑形式描述输入的复杂问题的句法和语义。问题的答案是从知识图谱中提取的逻辑形式的答案构建的。实验表明，我们的方法优于其他方法在波斯CQA。
2021-07-05 cs.AI cs.CL
DocPrompt: Large-scale continue pretrain for zero-shot and few-shot document question answering
Baidu Inc.（百度公司）
本文提出DocPrompt，通过弱监督数据生成、多阶段训练和模型集成，在4个文档问答任务上达到最先进性能，显著提升效率并降低成本。
2023-08-31 cs.AI cs.CL
Dynamic Coattention Networks For Question Answering
Salesforce Research（Salesforce 研究院）
已经提出了几种用于问答的深度学习模型。然而，由于它们的单程性质，它们无法从对应于不正确答案的局部最大值中恢复。为了解决这个问题，我们引入了动态协同注意网络（DCN）的问答。DCN首先融合问题和文档的相互依赖的表示，以便关注两者的相关部分。然后，动态指向解码器迭代潜在的答案跨度。这种迭代过程使模型能够从对应于不正确答案的初始局部最大值恢复。在斯坦福大学的问答数据集上，单个DCN模型将先前的技术水平从71.0% F1提高到75.9%，而DCN集成获得80.4% F1。
2018-03-06 cs.AI cs.CL
Long Context Question Answering via Supervised Contrastive Learning
Bar-Ilan University（巴伊兰大学）；Allen Institute for AI（艾伦人工智能研究所）；University of Washington（华盛顿大学）
长上下文问答（QA）任务需要对长文档或多个文档进行推理。解决这些任务通常受益于识别一组证据跨度（例如，句子），为回答问题提供支持证据。在这项工作中，我们提出了一种新的方法，用于为长上下文QA模型配备额外的序列级目标，以更好地识别支持证据。我们通过微调中的额外对比监督信号来实现这一点，其中鼓励模型通过最大化问题-证据相似性来明确区分支持证据句子和否定证据句子。在三种不同的强长上下文Transformer模型上，在两个具有挑战性的问答基准测试HotpotQA和QAsper上，所提出的额外损失表现出一致的改进。
2022-05-05 cs.AI cs.CL
Human Mobility Question Answering (Vision Paper)
University of New South Wales（新南威尔士大学）
本文提出人类移动性问答（MobQA）任务，旨在让系统从移动数据中学习并回答问题，填补研究空白，并给出数据集和模型框架设计。
2023-10-13 cs.AI cs.CL
Improving Complex Knowledge Base Question Answering via Question-to-Action and Question-to-Question Alignment
Zhejiang University（浙江大学）
复杂的知识库问答可以通过将问题转换为预定义的动作序列来实现。然而，在自然语言和动作序列之间存在显著的语义和结构鸿沟，这使得这种转换变得困难。在本文中，我们介绍了一个增强的复杂问答框架，称为ALCQA，它通过问题到动作对齐和问题到问题对齐来缓解这一差距。我们训练一个问题重写模型来对齐问题和每个动作，并利用预训练的语言模型来隐式地对齐问题和KG工件。此外，考虑到类似的问题对应于类似的动作序列，我们检索top-k相似的问答对在推理阶段通过问题到问题对齐，并提出了一种新的奖励引导的动作序列选择策略，从候选动作序列中选择。在CQA和WQSP数据集上进行了实验，结果表明，该方法在CQA数据集上的F1度量提高了9.88%，优于现有方法.我们的源代码可在https://github.com/TTTTTTTTy/ALCQA上获得。
2022-12-26 cs.AI cs.CL
Domain Adaptation for Question Answering via Question Classification
University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）；School of Information Sciences（信息科学学院）
问答（QA）在回答来自定制域的问题方面已经取得了令人印象深刻的进展。然而，领域自适应仍然是QA系统最难以实现的挑战之一，特别是当QA系统在源域中训练但部署在不同的目标域中时。在这项工作中，我们调查的潜在好处的问题分类QA领域自适应。我们提出了一个新的框架：问题分类问答（QC4QA）。具体地说，问题分类器被用来为源数据和目标数据分配问题类。然后，我们通过伪标签以自我监督的方式进行联合训练。为了优化，通过最大平均差异（MMD）距离减少源和目标域之间的域间差异。此外，我们最大限度地减少类内差异QA样本的同一问题类细粒度的适应性能。据我们所知，这是QA领域自适应中的第一项工作，以利用自监督自适应的问题分类。我们证明了拟议的QC4QA的有效性，并在多个数据集上对最先进的基线进行了一致的改进。
2022-10-02 cs.AI cs.CL
IslamicPCQA: A Dataset for Persian Multi-hop Complex Question Answering in Islamic Text Resources
Iran University of Science and Technology（伊朗科技大学）；Sharif University of Technology（谢里夫理工大学）
本文提出 IslamicPCQA，首个面向伊斯兰文本的波斯语多跳复杂问答数据集，含 12,282 个问答对及支持事实，可支撑多段落推理研究。
2023-04-23 cs.AI cs.CL
Analyzing Language Learned by an Active Question Answering Agent
Google（谷歌公司）
我们分析了通过强化学习训练的代理学习的语言，作为ActiveQA系统的一个组成部分[Buck et al.，2017年]。在ActiveQA中，问答被构建为一个强化学习任务，其中代理位于用户和黑盒问题回答系统之间。代理学习重新制定用户的问题，以得出最佳答案。它使用通过序列到序列问题重构模型生成的问题的许多版本来探测系统，然后聚合返回的证据以找到最佳答案。此过程是\emph{machine-machine}通信的一个实例。问题重构模型必须调整其语言以提高返回的答案的质量，匹配问答系统的语言。我们发现，代理不学习转换，符合语义直觉，但发现通过学习经典的信息检索技术，如tf-idf重新加权和词干。
2018-01-23 cs.AI cs.CL
Do Multi-Hop Question Answering Systems Know How to Answer the Single-Hop Sub-Questions?
National University of Singapore（新加坡国立大学）
多跳问答（QA）需要一个模型来检索和整合来自长文本的不同部分的信息来回答问题。人类通过分而治之的方法来回答这种复杂的问题。在本文中，我们研究了多跳问题的最佳表现模型是否像人类一样理解底层子问题。我们采用神经分解模型来生成多跳复杂问题的子问题，然后提取相应的子答案。我们发现，多个国家的最先进的多跳QA模型未能正确回答大部分的子问题，虽然他们相应的多跳问题是正确的答案。这表明，这些模型设法回答多跳问题使用一些部分的线索，而不是真正理解的推理路径。我们还提出了一个新的模型，显着提高了回答子问题的性能。我们的工作朝着建立一个更可解释的多跳QA系统迈出了一步。
2021-01-27 cs.AI cs.CL
Do LLMs Understand Ambiguity in Text? A Case Study in Open-world Question Answering
本文以开放域问答为案例，研究大语言模型对文本歧义的理解能力，并提出简单、无需训练的显式消歧方法以有效提升模型在歧义问答任务上的表现。
2024-11-19 cs.AI cs.CL
Question-to-Question Retrieval for Hallucination-Free Knowledge Access: An Approach for Wikipedia and Wikidata Question Answering
本研究针对知识库问答的幻觉问题，提出基于指令微调LLM生成内容对应问题向量库、匹配用户查询直接检索内容的方法，在Wikipedia和Wikidata上实现高精度高效检索，还支持多模态问答。
2025-02-21 cs.AI cs.CL
Bridging Language Gaps with Adaptive RAG: Improving Indonesian Language Question Answering
Computer Science Department（计算机科学系）；School of Computer Science（计算机科学学院）；Bina Nusantara University（宾厄斯大学）
本研究将自适应RAG系统应用于印度尼西亚语问答，通过机器翻译增强数据，利用复杂度分类器选择回答策略，实验发现多检索策略存在不一致性，揭示了低资源语言问答的潜力与挑战。
2025-10-24 cs.AI cs.CL
BanglaQuAD: A Bengali Open-domain Question Answering Dataset
Amazon（亚马逊）
本文针对孟加拉语在NLP中低资源及现有翻译数据集质量差的问题，提出了包含30,808个问答对的孟加拉语开放域问答数据集BanglaQuAD及配套标注工具，并通过定性分析验证了其质量。
2024-10-14 cs.AI cs.CL
Unified Question Answering in Slovene
University of Ljubljana（卢布尔雅那大学）
问答是语言理解中最具挑战性的任务之一。大多数方法都是为英语开发的，而资源较少的语言则很少研究。我们采用了一种成功的英语问答方法，称为UnifiedQA，用于资源较少的斯洛文尼亚语。我们的适应使用编码器-解码器Transformer SloT 5和mT5模型来处理四种问答格式：是/否、多项选择、抽象和提取。我们使用现有的斯洛文尼亚适应四个数据集，并机器翻译MCTest数据集。我们表明，一般模型可以回答不同格式的问题，至少以及专门的模型。使用英语的跨语言迁移进一步改善了结果。虽然我们为斯洛文尼亚语产生了最先进的结果，但性能仍然落后于英语。
2022-11-16 cs.AI cs.CL
Question-Aware Sentence Gating Networks for Question and Answering
Korea University（高丽大学）；NCSOFT
机器理解问答是对给定段落的问题找到答案，它涉及理解和跟踪文档中各种语义单元（如单词、短语和句子）的相关内容的高级推理过程。本文提出了一种新的问题感知句子门控网络，它直接将句子级信息纳入单词级编码过程。为此，我们的模型首先学习问题感知的句子表示，然后动态地将它们与单词级表示相结合，从而为QA任务提供语义上有意义的单词表示。实验结果表明，我们的方法一致地提高了现有的基线方法在各种QA数据集的准确性，并承担其他神经网络的QA模型的广泛适用性。
2018-07-20 cs.AI cs.CL
Answering Ambiguous Questions with a Database of Questions, Answers, and Revisions
Google DeepMind（谷歌DeepMind）；Carnegie Mellon University（卡内基梅隆大学）
针对开放域歧义问题需整合多段落多解释信息的挑战，本文提出利用 Wikipedia 生成的无歧义问题数据库进行检索与推理，在 ASQA 基准上取得最先进性能并显著提升召回、消歧和多样化段落检索。
2023-08-16 cs.AI cs.CL
Releasing the CRaQAn (Coreference Resolution in Question-Answering): An open-source dataset and dataset creation methodology using instruction-following models
Pyxos, Inc.（Pyxos公司）；Edge Analytics, Inc.（Edge Analytics公司）
本文发布开源数据集CRaQAn，包含250余个含共指的问答对，并提出基于GPT-4和递归批评改进循环的高质量数据集创建方法，以解决问答任务中的共指消解问题。
2023-11-27 cs.AI cs.CL
Video Question Answering via Attribute-Augmented Attention Network Learning
Zhejiang University（浙江大学）
视频问答是视觉信息检索中的一个具有挑战性的问题，它根据问题对所引用的视频内容提供答案。然而，现有的视觉问答方法主要解决静态图像问题，这可能是无效的视频问答回答由于建模的视频内容的时间动态的不足。本文采用帧级注意力机制对视频问答进行时间动态建模，研究视频问答问题。我们提出的属性增强注意力网络学习框架，使联合帧级属性检测和统一的视频表示学习的视频问答。然后，我们将多步推理过程中，我们提出的注意力网络，以进一步提高性能。我们构建了一个大规模的视频问答数据集。我们在多项选择题和开放式视频问答任务上进行了实验，以证明所提出的方法的有效性。
2017-07-20 cs.AI cs.CL cs.CV
What Question Answering can Learn from Trivia Nerds
University of Maryland（马里兰大学）；Google Research（谷歌研究院）
除了让机器回答问题的传统任务外，问答中的一个主要研究问题是创建有趣的、具有挑战性的问题，这些问题可以帮助系统学习如何回答问题，并揭示哪些系统最擅长回答问题。我们认为，创建一个问答数据集-以及与之配套的无处不在的排行榜-非常类似于运行一个琐事锦标赛：您编写问题，让代理（人类或机器）回答问题，并宣布获胜者。然而，研究界忽视了数十年来从琐事社区创造充满活力，公平和有效的问答比赛中吸取的教训。在详细介绍了现有QA数据集的问题后，我们概述了关键的经验教训-消除歧义，区分技能和裁决争议-可以转移到QA研究以及如何为QA社区实施。
2020-04-21 cs.AI cs.CL cs.LG
Biomedical Question Answering via Weighted Neural Network Passage Retrieval
ETH Zurich（苏黎世联邦理工学院）
近年来，可公开获得的生物医学文献的数量一直在快速增长，然而问答系统仍在努力开发这种数据源的全部潜力。在初步处理步骤中，许多问答系统依赖于检索模型来识别相关文档和段落。提出了一种基于神经网络词嵌入的加权余弦距离检索方案。我们的实验基于BioASQ生物医学问答挑战赛的公开数据和任务，并在各种最先进的模型中表现出显着的性能提升。
2018-01-09 cs.AI cs.CL cs.IR
Question Answering System Using Syntactic Information
问答任务目前正在使用英语文档在TREC 8中完成。本研究以日语句子为研究对象，考察了问答任务。我们的方法通过匹配问题句子与以自然语言编写的基于知识的数据来选择答案。我们使用句法信息来获得高度准确的答案。
1999-11-15 cs.CL
Can Open Domain Question Answering Systems Answer Visual Knowledge Questions?
Apple（苹果公司）
外部知识视觉问答（OKVQA）的任务要求自动系统使用外部知识来回答关于图片和图像的自然语言问题。我们观察到，许多视觉问题，其中包含指示参考短语，指的是在图像中的实体，可以被重写为“非接地”的问题，并可以回答现有的基于文本的问答系统。这允许将现有的基于文本的开放域问答（QA）系统重新用于可视问答。在这项工作中，我们提出了一个潜在的数据效率的方法，重用现有的系统（a）图像分析，（b）问题重写，（c）基于文本的问答回答这样的视觉问题。给定一个图像和与该图像有关的问题（视觉问题），我们首先使用预先训练的对象和场景分类器提取图像中存在的实体。使用这些检测到的实体，视觉问题可以被重写，以便由开放域QA系统回答。我们探索了两种重写策略：（1）使用BERT进行掩蔽和重写的无监督方法，以及（2）结合自适应重写和强化学习技术以使用来自QA系统的隐式反馈的弱监督方法。我们在公开的OKVQA数据集上测试了我们的策略，并在仅使用10%的训练数据的情况下获得了具有竞争力的性能。
2022-02-09 cs.AI cs.CL cs.CV
Pretrained Transformers for Simple Question Answering over Knowledge Graphs
University of Bonn（波恩大学）；Ruhr University Bochum（波鸿鲁尔大学）；Fraunhofer IAIS（弗劳恩霍夫应用信息技术研究所）
在知识图谱上生成简单问题是问答中的一个研究热点。以前用于此任务的方法建立在基于递归和卷积神经网络的架构上，这些架构使用预训练的词嵌入。最近的研究表明，微调预训练的Transformer网络（例如BERT）可以在各种自然语言处理任务上优于以前的方法。在这项工作中，我们调查如何以及BERT执行SimpleQuestions，并提供了一个评估的BERT和BiLSTM为基础的模型，在codeparse方案。
2020-01-31 cs.AI cs.CL cs.LG
Latent Variable Models for Visual Question Answering
Imperial College London（帝国理工学院）；University of Sheffield（谢菲尔德大学）；Department of Computing, Imperial College London（帝国理工学院计算机系）；Department of Computer Science, University of Sheffield（谢菲尔德大学计算机科学系）
视觉问答（VQA）目前的工作探索确定性的方法，各种类型的图像和问题的功能。我们认为，除了图像和问题对，其他形式是有用的教学机器进行问答。因此，在本文中，我们提出了VQA的潜变量模型，其中额外的信息（例如标题和答案类别）被合并为潜变量，这些信息在训练过程中被观察到，但反过来又有利于测试时的问答性能。在VQA v2.0基准测试数据集上的实验证明了我们提出的模型的有效性：它们在强基线上有所改进，特别是那些不依赖于广泛的语言视觉预训练的模型。
2021-09-26 cs.AI cs.CL cs.CV
JaQuAD: Japanese Question Answering Dataset for Machine Reading Comprehension
问答（QA）是机器理解给定文档和问题以找到答案的任务。尽管在NLP领域取得了令人印象深刻的进展，但QA仍然是一个具有挑战性的问题，特别是对于非英语语言，由于缺乏注释数据集。在本文中，我们提出了日本问答数据集，JaQuAD，这是由人类注释。JaQuAD由39，696个关于日语维基百科条目的提取问答对组成。我们微调了一个基线模型，在测试集上F1得分达到78.92%，EM得分达到63.38%。数据集和我们的实验可在https://github.com/SkelterLabsInc/JaQuAD上获得。
2022-02-03 cs.AI cs.CL cs.LG
CommonsenseQA: A Question Answering Challenge Targeting Commonsense Knowledge
Tel-Aviv University（特拉维夫大学）；Allen Institute for Artificial Intelligence（艾伦人工智能研究所）
在回答问题时，除了特定的上下文之外，人们还经常利用他们丰富的世界知识。最近的工作主要集中在回答一些相关文件或背景下的问题，并要求很少的一般背景。为了研究具有先验知识的问答，我们提出了常识问答：一个具有挑战性的新数据集常识问答。为了捕捉关联之外的常识，我们从ConceptNet（Speer等人，2017）与单个源概念具有相同语义关系的多个目标概念。人群工作者被要求创作多项选择题，其中提到源概念，并依次区分每个目标概念。这鼓励工作人员创建具有复杂语义的问题，这些问题通常需要先验知识。我们通过这个过程创建了12，247个问题，并通过大量强基线证明了我们任务的难度。我们的最佳基线是基于BERT-large（Devlin et al.，2018年），并获得56%的准确率，远低于人类的表现，这是89%。
2019-03-15 cs.AI cs.CL cs.LG
Compositional Attention Networks for Interpretability in Natural Language Question Answering
Saama AI Research（萨马人工智能研究院）
MAC网是一个为视觉问答设计的合成注意网络。我们提出了一种改进的MAC网络结构的自然语言问答。问答通常需要语言理解和多步推理。MAC网独特的体系结构-存储和控制分离，有利于数据驱动的迭代推理。这使得它成为解决涉及逻辑推理的任务的理想候选人。我们的实验与20 bAbI任务证明了MAC网的价值作为一个数据高效和可解释的架构自然语言问答。MAC网络的透明性提供了一个高度粒度的视图，网络在回答查询时所采取的推理步骤。
2018-10-30 cs.AI cs.CL cs.LG
Question Dependent Recurrent Entity Network for Question Answering
University of Pisa（比萨大学）
问答是一项需要构建能够为用人类语言表达的问题提供答案的模型的任务。完整的问答涉及某种形式的推理能力。我们介绍了一个神经网络架构，这是一种形式的$Memory\ Network$，通过一个焦点注意力机制，认识到实体和它们的关系的答案。我们的模型被命名为$Question\ Dependent\ Recurrent\ Entity\ Network$，并扩展了$Recurrent\ Entity\ Network$，利用在记忆过程中的问题的方面。我们在合成数据集和真实数据集上验证了该模型：$bAbI$问答数据集和$CNN\ \&\ Daily\ News$ $reading\ comprehension$数据集。在我们的实验中，模型在前者中取得了最先进的技术水平，在后者中取得了竞争性的结果。
2017-10-06 cs.CL
Video Question Answering on Screencast Tutorials
Adobe Research（Adobe 研究院）；Amazon Alexa AI（亚马逊 Alexa AI）
本文提出了一种新的视频问答任务的屏幕直播教程。我们介绍了一个数据集，包括问题，答案和上下文三元组从教程视频的软件。与其他视频问答作品不同，我们数据集中的所有答案都基于领域知识库。设计了一种单次识别算法提取视频问答中的视觉线索，提高了问答系统的性能。我们还提出了几个基线神经网络架构的基础上，从数据集的视频上下文的各个方面。实验结果表明，我们提出的模型显着提高问答性能，通过将多模态上下文和领域知识。
2020-08-02 cs.AI cs.CL cs.CV
Korean-Specific Dataset for Table Question Answering
LG AI Research ISC（LG人工智能研究ISC）
现有的问答系统主要集中在处理文本数据。然而，每天产生的大部分数据都以表格的形式存储，这些表格可以在文档和关系数据库中找到，也可以在Web上找到。为了解决在表格上进行问答的任务，存在许多用英语编写的表格问答数据集，但很少有韩语数据集。在本文中，我们演示了如何为表格问答构建朝鲜语特定的数据集：朝鲜语表格数据集是140万个表格的集合，其中包含对无监督预训练语言模型的相应描述。韩国表问答语料库由众包工作者创建的7万对问题和答案组成。随后，我们基于Transformer构建了一个预训练的语言模型，并使用这些数据集对表格问答模型进行了微调。然后，我们报告我们的模型的评估结果。我们通过我们的GitHub存储库公开提供我们的数据集，并希望这些数据集将有助于进一步研究表格上的问答，以及表格格式的转换。
2022-05-01 cs.CL
Automatic Question-Answering Using A Deep Similarity Neural Network
New York University（纽约大学）；AT&T Research Labs（AT&T 研究实验室）
自动问答是自然语言处理中的一个经典问题，其目的是设计一个能像人一样自动回答问题的系统。在这项工作中，我们提出了一个基于深度学习的自动问答模型。首先，使用神经概率建模嵌入问题和答案。然后训练一个深度相似度神经网络来求出一对答案和问题的相似度得分。然后，对于每个问题，最佳答案被发现为具有最高相似性得分的答案。我们首先在一个大规模的公共问答数据库上对这个模型进行训练，然后对其进行微调，以将其转移到客户关怀聊天数据上。我们还测试了我们的框架上的公共问答数据库，并取得了很好的性能。
2017-08-05 cs.CL
Question Answering is a Format; When is it Useful?
Allen Institute for Artificial Intelligence（艾伦人工智能研究所）；Tel Aviv University（特拉维夫大学）；University of Washington（华盛顿大学）
近年来，从阅读理解、语义角色标注甚至机器翻译到图像和视频理解，作为问答的任务和数据集急剧扩展。随着这种扩展，对“问答“本身的效用和定义有许多不同的看法。有些人认为它的范围应该是窄的，或者是宽的，或者它在今天的数据集中被过度使用。在这篇观点文章中，我们认为问答应该被认为是一种有时对研究特定现象有用的格式，而不是一种现象或任务本身。我们讨论了什么时候一个任务被正确地描述为问答，什么时候一个任务被有效地设置为问答，而不是使用其他格式。
2019-09-25 cs.CL
Character-Level Question Answering with Attention
University of Washington（华盛顿大学）；Microsoft Research（微软研究院）
我们表明，字符级的编码器-解码器框架可以成功地应用于问答与结构化的知识库。我们使用我们的模型进行单关系问答，并在SimpleQuestions数据集上证明了我们方法的有效性（Bordes等人，2015年），其中我们将最先进的准确率从63.9%提高到70.9%，而不使用合奏。重要的是，我们的字符级模型的参数比等效的单词级模型少16倍，与以前依赖于数据增强的工作相比，可以用更少的数据学习，并且对测试中的新实体具有鲁棒性。
2016-06-05 cs.AI cs.CL cs.LG
Proposing Plausible Answers for Open-ended Visual Question Answering
University of Rochester（罗切斯特大学）；Adobe Research（Adobe研究院）
回答开放式问题是任何智能代理的基本能力。最近最有趣的开放式问答挑战之一是视觉问答（VQA），它试图通过回答关于图像的自然语言问题来评估系统的视觉理解。存在许多VQA方法，其中大多数没有表现出对它们产生的候选答案的更深层次的语义理解。我们研究的重要性，生成合理的答案，一个给定的问题，通过引入新的任务“回答建议”：对于一个给定的开放式问题，系统应该生成一个排名列表的候选答案通知的语义问题。我们尝试了各种模型，包括神经生成模型以及语义图匹配模型。我们提供了内在的和外在的评价的任务的答案建议，表明我们最好的模型学习提出合理的答案，具有较高的召回率，并执行竞争力与其他一些解决方案的VQA。
2016-10-24 cs.AI cs.CL cs.CV
Analysis of Wikipedia-based Corpora for Question Answering
Emory University（埃默里大学）；Infosys Ltd.（印孚瑟斯有限公司）
本文以维基百科为语料库，对问答中的几个任务进行了全面的分析。四个最近的语料库收集，WikiQA，SelQA，SQuAD，和InfoQA，并首先内在地分析了上下文相似性，问题类型和答案类别。这些语料库，然后分析了三个问答任务，答案检索，选择和触发。还提出了一种基于索引的方法，用于使用整个维基百科创建用于答案检索的银标准数据集。我们的分析显示了这些语料库的独特性，并建议更好地利用它们进行统计问答学习。
2018-02-05 cs.CL
Path-Enhanced Multi-Relational Question Answering with Knowledge Graph Embeddings
Alibaba Group（阿里巴巴集团）
多关系知识库问答（KBQA）系统在知识图谱（KG）上执行多跳推理以获得答案。最近的方法试图引入知识图谱嵌入（KGE）技术来处理KG不完全性，但只考虑三重事实，而忽略了路径和多关系问题之间的重要语义相关性。在本文中，我们提出了一个路径和知识嵌入增强的多关系问答模型（PKEEQA），它利用KG中实体之间的多跳路径，通过可定制的路径表示机制来评估路径嵌入和多关系问题嵌入之间的双极相关性，有利于从三重事实和额外路径的角度获得更准确的答案。实验结果表明，PKEEQA提高了KBQA模型的多关系问答的性能，解释能力在一定程度上来源于路径。
2021-10-29 cs.AI cs.CL cs.LG
Semantic Parsing to Probabilistic Programs for Situated Question Answering
Allen Institute for Artificial Intelligence（艾伦人工智能研究所）
情境问答是回答有关环境（如图像或图表）的问题。这个问题需要使用背景知识来联合解释问题和环境以选择正确答案。我们提出了解析概率程序（P3），一种新的情景问答模型，可以使用背景知识和全球功能的问题/环境的解释，同时保留有效的近似推理。我们的主要见解是把语义解析作为概率程序，执行非确定性和其可能的执行代表环境的不确定性。我们在一个新的公开发布的5000个科学图表问题的数据集上评估了我们的方法，优于几个有竞争力的经典和神经基线。
2016-09-24 cs.CL
Recent, rapid advancement in visual question answering architecture: a review
University of Arkansas at Little Rock（阿肯色大学小石城分校）
理解视觉问答对许多人类活动至关重要。然而，它在人工智能努力的核心提出了重大挑战。本文介绍了在视觉问答的快速进步，在过去的几年中发生的图像的更新。近年来，关于改进可视问答系统体系结构的研究取得了巨大的增长，这表明了多通道体系结构的重要性。关于视觉问答的好处，Manmadhan等人（2020）的综述论文中提到了几点，本文以其为基础，包括该领域的后续更新。
2022-07-09 cs.AI cs.CL cs.CV
A Survey on non-English Question Answering Dataset
Jakarta Artificial Intelligence Research（雅加达人工智能研究院）
问答数据集和模型的研究在研究界得到了广泛的关注。他们中的许多人发布自己的问答数据集以及模型。我们在这一研究领域看到了巨大的进步。该调查的目的是识别、总结和分析许多研究人员发布的现有数据集，特别是非英语数据集以及研究代码和评估指标等资源。在本文中，我们回顾了问答数据集，可在常见的语言以外的英语，如法语，德语，日语，中文，阿拉伯语，俄语，以及多语种和跨语言的问答数据集。
2021-12-27 cs.CL
Two is Better than Many? Binary Classification as an Effective Approach to Multi-Choice Question Answering
Singapore University of Technology and Design（新加坡科技设计大学）；University of Michigan（密歇根大学）
我们提出了一个简单的重构多选择问答（MCQA）任务作为一系列的二元分类。MCQA任务通常通过对所有对标准化的每个（问题，答案）对进行评分，然后从产生最高分数的对中选择答案来执行。对于n个答案选择，这相当于一个n类分类设置，其中只有一个类（正确答案）是正确的。相反，我们表明，将（问题，正确答案）分类为正面实例，将（问题，错误答案）分类为负面实例，在各种模型和数据集中显着更有效。我们在不同的任务--溯因推理，常识问答，科学问答和句子完成中展示了我们提出的方法的有效性。我们的DeBERTa二进制分类模型在这些任务的公共排行榜上达到或接近最高性能。所提出的方法的源代码可在https://github.com/declare-lab/TEAM上获得。
2022-10-29 cs.AI cs.CL cs.LG
Exploring Neural Net Augmentation to BERT for Question Answering on SQUAD 2.0
University of California, Berkeley（加州大学伯克利分校）
增强机器回答问题的能力一直是近年来NLP研究的一个相当关注的话题。语言模型如语言模型嵌入（ELMo）[1]和Transformers双向编码器表示（BERT）[2]在开发通用语言模型方面非常成功，可以为大量下游语言任务进行优化。在这项工作中，我们专注于用不同的输出神经网络架构来增强预训练的BERT语言模型，并比较它们在斯坦福问答数据集2.0（SQUAD 2.0）提出的问答任务上的表现。此外，我们还微调了预训练的BERT模型参数，以证明其适应专门语言任务的有效性。我们最好的输出网络是上下文化的CNN，它在不可回答和可回答的问答任务上都有表现，F1得分分别为75.32和64.85。
2020-03-08 cs.AI cs.CL cs.LG
Ensemble approach for natural language question answering problem
University of Science and Technology Cracow（克拉科夫科技大学）
机器理解，根据给定的上下文段落回答问题，是自然语言理解的典型任务。它需要对问题和上下文段落之间存在的复杂依赖关系进行建模。有许多神经网络模型试图解决问答问题。对最佳模型进行了选择、研究和相互比较。所有的模型都是基于神经注意力机制的概念。此外，还对SQUAD数据集进行了研究。提取查询子集，然后分析每个模型如何处理特定的查询组。基于这三个模型的集成模型的创建和测试SQUAD数据集。它优于最好的助记符阅读器模型。
2019-08-28 cs.AI cs.CL cs.LG
Open-Domain Conversational Question Answering with Historical Answers
National Taiwan University（国立台湾大学）
开放域会话式问答可以被看作两个任务：段落检索和会话式问答，其中前者依赖于从大型语料库中选择候选段落，后者需要更好地理解问题并结合上下文来预测答案。本文提出了ConvADR-QA，利用历史答案来提高检索性能，并进一步实现更好的回答性能。在我们提出的框架中，检索器使用师生框架，以减少噪音从以前的回合。我们在基准数据集OR-QuAC上的实验表明，我们的模型在提取式和生成式读者设置中的表现优于现有基线，很好地证明了开放域会话问答的历史答案的有效性。
2022-11-17 cs.CL
MKQA: A Linguistically Diverse Benchmark for Multilingual Open Domain Question Answering
Apple Inc.（苹果公司）
跨语言建模的进展取决于具有挑战性的、现实的和多样化的评估集。我们引入多语言知识问答（MKQA），一个开放域的问答评估集，包括10k个问答对，在26种不同类型的语言（共260k个问答对）。答案基于精心策划的、独立于语言的数据表示，使结果在不同语言之间具有可比性，并且独立于特定语言的段落。该数据集拥有26种语言，为评估问答提供了迄今为止最广泛的语言。我们基准测试了各种最先进的方法和基线，用于生成和提取问答，在自然问题上进行训练，在zero shot和翻译设置中。结果表明，即使在英语中，该数据集也具有挑战性，尤其是在低资源语言中
2021-08-17 cs.CL
Project PIAF: Building a Native French Question-Answering Dataset
reciTAL；Etalab
由于缺乏非英语语言的数据，特别是下游任务，如问答的评估，我们提出了一个参与性的努力，收集一个本地法语问答数据集。此外，我们描述并公开发布了为我们的收集工作开发的注释工具，以及获得的数据和初步基线。
2020-07-02 cs.CL
DiscoTrace: Representing and Comparing Answering Strategies of Humans and LLMs in Information-Seeking Question Answering
University of Maryland（马里兰大学）
DiscoTrace通过分析问答策略揭示社区回答偏好差异，发现LLM在回答时缺乏修辞多样性且倾向于广泛覆盖问题解释。
2026-09-02 cs.CL
Visual Question Answering as a Multi-Task Problem
University of Manchester（曼彻斯特大学）
可视化问答（VQA）是一个高度复杂的问题集，依赖于许多子问题来产生合理的答案。在本文中，我们提出了假设，视觉问答应被视为一个多任务的问题，并提供证据来支持这一假设。我们证明了这一点，重新格式化两个常用的可视化问答数据集，COCO-QA和DAQUAR，到一个多任务格式和训练这些重新格式化的数据集在两个基线网络，一个专门设计，以消除其他可能的原因，性能变化的结果，重新格式化。虽然本文中展示的网络没有实现强有力的竞争结果，我们发现，多任务的方法来视觉问答结果在性能上的增加5-9%，对单任务格式化，网络达到收敛速度比单任务的情况下。最后，我们讨论了观察到的性能差异的可能原因，并进行了额外的实验，排除了与作为多任务问题的数据集学习无关的原因。
2020-07-03 cs.AI cs.CL cs.CV
Exploring Question Understanding and Adaptation in Neural-Network-Based Question Answering
University of Science and Technology of China（中国科学技术大学）；National Research Council Canada（加拿大国家研究委员会）；iFLYTEK Research（科大讯飞研究院）；York University（约克大学）
在过去的几年里，人们对探索基于神经网络的机器理解（MC）和问答（QA）模型产生了浓厚的兴趣。在本文中，我们接近的问题密切建模问题的神经网络框架。我们首先引入句法信息来帮助编码问题。然后，我们将不同类型的问题和它们之间共享的信息视为一个适应任务，并为它们提出了适应模型。在斯坦福大学的问答数据集（SQuAD），我们表明，这些方法可以帮助获得更好的结果超过竞争基线。
2017-03-25 cs.CL
Question Answering in Natural Language: the Special Case of Temporal Expressions
LISN-CNRS, Université Paris-Saclay（法国巴黎萨克雷大学、法国国家科学研究中心（CNRS）所属的信息、信号与图像处理实验室（LISN））
针对时间问答关注不足的问题，本文提出受 SQuAD 启发的新数据集，并利用 WikiWars 语料库训练深度学习模型，验证了通用问答中的答案抽取与模式匹配方法可成功应用于时间问答。
2023-11-23 cs.CL
ControversialQA: Exploring Controversy in Question Answering
Tokyo Institute of Technology（东京工业大学）；Delft University of Technology（代尔夫特理工大学）
争议在网上很普遍。以前的研究主要是根据对争议与仇恨言论和冒犯性言论等情绪的关系的模糊假设来定义争议。本文介绍了第一个通过用户感知定义内容争议的问答数据集，即，来自大量用户的投票。它包含近10K个问题，每个问题都有一个最佳答案和一个最具争议的答案。实验结果表明，问答中的争议检测是必要的和具有挑战性的，争议和情感任务之间没有很强的相关性。
2023-02-10 cs.CL
