您现在的位置是:首页 >市场 > 2020-12-11 09:31:24 来源:

一种增强问题回答模型的方法

导读 确定问题的正确答案通常需要收集大量信息并理解复杂的想法。在最近的一项研究中,纽约大学(NYU)和Facebook AI Research(FAIR)的研究人员

确定问题的正确答案通常需要收集大量信息并理解复杂的想法。在最近的一项研究中,纽约大学(NYU)和Facebook AI Research(FAIR)的研究人员团队研究了通过检查机器学习模型如何学习解决相关任务来自动发现问题的基本属性(如答疑)的可能性。 。

他们的论文在arXiv上预发布并定于2019年EMNLP上发表,他们介绍了一种方法,该方法可为给定的问题答案收集最有力的支持证据。他们将这种方法专门应用于涉及基于段落的问题解答(QA)的任务,该任务需要分析大量文本来确定对给定问题的最佳答案。

“当我们提出问题时,我们不仅经常对答案感兴趣,而且对为什么这个答案正确的原因感兴趣-有哪些证据支持该答案,”进行这项研究的研究人员之一埃森·佩雷斯(Ethan Perez)告诉TechXplore。“不幸的是,如果需要阅读许多文章,研究论文等,查找证据可能会很耗时。我们的目标是利用机器学习自动查找证据。”

首先,佩雷斯(Perez)和他的同事们训练了一个质量保证机器学习模型,该模型旨在回答大型文本数据库上的用户问题,其中包括新闻文章,传记,书籍和其他在线内容。随后,他们使用“证据代理”来识别将“说服”机器学习模型以响应具有特定答案的特定查询的句子,从本质上收集了答案的证据。

佩雷斯说:“我们的系统可以找到任何答案的证据,不仅是问答模型认为正确的答案,而且先前的工作也着眼于此。” “因此,即使问答模型预测了错误的答案或没有明确的正确答案,我们的方法也可以利用问答模型来找到有用的证据。”

在测试中,Perez和他的同事观察到机器学习模型通常从文本段落中选择证据,这些证据可以很好地概括说服其他模型甚至人们。换句话说,他们的发现表明,模型是基于与人类通常认为的相似证据做出判断的,并且在某种程度上甚至可以通过摇摆模型如何考虑证据来探究人们的想法。