本文目錄
- 概念引入
- 機器閱讀理解的簡要介紹
- 論文研究背景
- 相關資料集的時間脈絡
- 問答系統的分類
- 研究成果
- 實驗結果
概念引入
有關中文物體命名識別
邏輯回歸
線性回歸
時間序列分析
神經網路
self-attention與softmax的推導
word2evc
glove
雙向LSTM
機器閱讀理解的簡要介紹
在2002年的一篇論文中，學者C. Snow將閱讀理解定義為“通過互動從書面文本中提取和構建文本語意的程序”，機器閱讀理解的目標是利用人工智能技術使計算機具有與人類一樣的理解文本的能力，
大部分機器閱讀理解任務采用問答式測評：設計與文章內容相關的自然語言式問題，讓模型理解問題并根據文章作答，為了評判答案的正確性，一般有如下幾種形式的參考答案：
- 多項選擇式，即模型需要從給定的若干選項中選出正確答案；
- 區間答案式，即答案限定是文章的一個子句，需要模型在文章中標明正確的答案起始位置和終止位置；
- 自由回答式，即不限定模型生成答案的形式，允許模型自由生成陳述句；
- 完形填空式，即在原文中除去若干關鍵詞，需要模型填入正確單詞或短語，
此外，一些資料集設計了“無答案”問題，即一個問題可能在文章中沒有合適答案，需要模型輸出“無法回答”（unanswerable），
在以上的答案形式中，多項選擇和完形填空屬于客觀類答案，測評時可以將模型答案直接與正確答案比較，并以準確率作為評測標準，易于計算，
論文研究背景
機器閱讀理解（Machine Reading Comprehension，MRC）是一種利用演算法使計算機理解文章語意并回答相關問題的技術，由于文章和問題均采用人類語言的形式，因此機器閱讀理解屬于自然語言處理（NLP）的范疇，也是其中最新最熱門的課題之一，近些年來，隨著機器學習，特別是深度學習的發展，機器閱讀理解研究有了長足的進步，并在實際應用中嶄露頭角，
讓機器閱讀文本，理解文本語意，是實作自然語言理解的重要一步，
具有極其重要的研究意義，這是年來機器閱讀理解任務備受關注的原因，
機器閱讀理解是綜合性的問題: 語言、知識、推理 ，
依賴于分詞、詞性標注、命名物體識別和依存關系分析等自然 感知智能 聽覺、視覺、觸覺 ，
語言處理的基礎作業; 運算智能 、又可以與機器翻譯、情感識別以及資訊抽取等技術思想互相借鑒，促進整個自然語言處理領域的發展，具有廣闊的應用前景，
相關資料集的時間脈絡
問答系統的分類
根據目標資料源的不同分類：
- 檢索式問答
以檢索和答案抽取為基本程序
基于模式匹配和基于統計文本資訊； - 社區問答：基于用戶生成內容的互聯網服務
- 單（多）篇文本問答：閱讀理解式問答
資訊源限定：從一篇或多篇給定的文章中查找問題的答案；
要求回答一些(非)事實性的、高度抽象的、需要對語言理解問題；
研究成果
基于摘要的思想，本文將摘要中的CNN dailymail資料集轉換為物體替換后的完形填空任務，
首次提出了大規模資料集，如圖所示，在此基礎上，提出了三種基本的神經網路模型
具體例子
實驗結果
轉載請註明出處，本文鏈接：https://www.uj5u.com/qita/297754.html
標籤：AI