Reading Wikipedia to Answer Open-Domain Questions: differenze tra le versioni
(Creata pagina con "Categoria:Pubblicazione") |
Nessun oggetto della modifica |
||
| Riga 1: | Riga 1: | ||
[[ | {{template pubblicazione | ||
|data=2017 | |||
|autori=Danqi Chen, Adam Fisch, J. Weston, Antoine Bordes | |||
|URL=https://www.semanticscholar.org/paper/104715e1097b7ebee436058bfd9f45540f269845 | |||
|topic=Question Answering | |||
|citazioni=1897 | |||
}} | |||
Questo documento propone di affrontare il problema delle risposte a domande a dominio aperto utilizzando Wikipedia come unica fonte di conoscenza: la risposta a qualsiasi domanda fattuale è una porzione di testo in un articolo di Wikipedia. Questo compito di lettura automatica su larga scala combina le sfide del recupero di documenti (trovare gli articoli pertinenti) con quello della comprensione automatica del testo (identificare le porzioni di risposta da quegli articoli). Il nostro approccio combina un componente di ricerca basato su hashing bigram e corrispondenza TF-IDF con un modello di rete neurale ricorrente multistrato addestrato per rilevare le risposte nei paragrafi di Wikipedia. I nostri esperimenti su più set di dati QA esistenti indicano che (1) entrambi i moduli sono altamente competitivi rispetto alle controparti esistenti e (2) l'apprendimento multitask che utilizza la supervisione distante sulla loro combinazione è un sistema completo efficace in questo compito impegnativo. | |||
[[Category:pubblicazione]] | |||
{{#seo: | |||
|title=Reading Wikipedia to Answer Open-Domain Questions | |||
|title_mode=append | |||
|keywords=wikipedia,question answering,dominio aperto,lettura automatica,recupero documenti,comprensione del testo,ricerca,hashing,TF-IDF,rete neurale ricorrente,apprendimento automatico,supervisione distante | |||
|description=Questo studio utilizza Wikipedia per rispondere a domande a dominio aperto, combinando il recupero di documenti con la comprensione del testo. Un modello di rete neurale identifica le risposte all'interno dei paragrafi di Wikipedia, dimostrandosi efficace in questo compito. | |||
}} | |||
Versione attuale delle 14:01, 25 nov 2024
| Reading Wikipedia to Answer Open-Domain Questions | |
|---|---|
| Data | 2017 |
| Autori | Danqi Chen, Adam Fisch, J. Weston, Antoine Bordes |
| URL | https://www.semanticscholar.org/paper/104715e1097b7ebee436058bfd9f45540f269845 |
| Topic | Question Answering |
| Citazioni | 1897 |
Questo documento propone di affrontare il problema delle risposte a domande a dominio aperto utilizzando Wikipedia come unica fonte di conoscenza: la risposta a qualsiasi domanda fattuale è una porzione di testo in un articolo di Wikipedia. Questo compito di lettura automatica su larga scala combina le sfide del recupero di documenti (trovare gli articoli pertinenti) con quello della comprensione automatica del testo (identificare le porzioni di risposta da quegli articoli). Il nostro approccio combina un componente di ricerca basato su hashing bigram e corrispondenza TF-IDF con un modello di rete neurale ricorrente multistrato addestrato per rilevare le risposte nei paragrafi di Wikipedia. I nostri esperimenti su più set di dati QA esistenti indicano che (1) entrambi i moduli sono altamente competitivi rispetto alle controparti esistenti e (2) l'apprendimento multitask che utilizza la supervisione distante sulla loro combinazione è un sistema completo efficace in questo compito impegnativo.