Closed kacky24 closed 5 years ago
QAは、factoid QA(事実・事象を返す)とnon-factoid QA(説明などの複雑なテキストを返す)に大別できる。
この論文では、non-factoid QAにおける２段階のフレームワークを提案。
Answer Retriever 回答の候補から、検索により一定数まで大雑把に絞りこむ。この論文ではbm25を使っている。
Answer Ranker 上位により正解に近い者が来るように並び替える。 Rankerの種類として、siamese networkベースのSRankerと、compare-aggregate modelベースのCRankerを使っている。
モデル全体の流れ
SRanker
CRanker
Ranker自体はSOTAレベルに匹敵する精度 ただ、bm25によるfirst stepで正解を拾えずに全体としては精度が落ちてしまうので、first stepにおける改善は必要
Nam Khanh Tran, Claudia Niederée L3S Research Center, Leibniz Universität Hannover Hannover, Germany {ntran,niederee}@L3S.de
https://dl.acm.org/citation.cfm?id=3191830
www2018 challenge#4
short summary
QAは、factoid QA(事実・事象を返す)とnon-factoid QA(説明などの複雑なテキストを返す)に大別できる。
この論文では、non-factoid QAにおける２段階のフレームワークを提案。
Answer Retriever 回答の候補から、検索により一定数まで大雑把に絞りこむ。この論文ではbm25を使っている。
Answer Ranker 上位により正解に近い者が来るように並び替える。 Rankerの種類として、siamese networkベースのSRankerと、compare-aggregate modelベースのCRankerを使っている。
モデル全体の流れ
SRanker
CRanker
Ranker自体はSOTAレベルに匹敵する精度 ただ、bm25によるfirst stepで正解を拾えずに全体としては精度が落ちてしまうので、first stepにおける改善は必要
author
Nam Khanh Tran, Claudia Niederée L3S Research Center, Leibniz Universität Hannover Hannover, Germany {ntran,niederee}@L3S.de
URL
https://dl.acm.org/citation.cfm?id=3191830
year
www2018 challenge#4