Dense Passage Retrieval for Open-Domain Question Answering

Da Wiki AI.
Dense Passage Retrieval for Open-Domain Question Answering
Data 2021
Autori Vladimir Karpukhin, Barlas Oğuz, Sewon Min, Patrick Lewis, Ledell Yu Wu, Sergey Edunov, Danqi Chen, Wen-tau Yih
URL https://www.semanticscholar.org/paper/b26f2037f769d5ffc5f7bdcec2de8da28ec14bee
Topic Question Answering
Citazioni 2997


Questo articolo presenta un nuovo metodo per il recupero dei passaggi nel question answering a dominio aperto. Invece di utilizzare i tradizionali modelli vettoriali sparsi, come TF-IDF o BM25, gli autori propongono un sistema di recupero denso basato su rappresentazioni dense. Le inclusioni vengono apprese da un piccolo numero di domande e passaggi tramite una semplice struttura a doppio encoder. Questo approccio ha dimostrato di superare un forte sistema Lucene-BM25 del 9%-19% in termini di accuratezza del recupero dei 20 passaggi principali e ha aiutato il loro sistema di domande e risposte end-to-end a stabilire un nuovo stato dell'arte su diversi benchmark di domande e risposte a dominio aperto.