首页 > TAG信息列表 > Answering
KBQA论文调研：Bidirectional Attentive Memory Networks for Question Answering over Knowledge Bases
KBQA有两种主流的解决方式： （1）SP： 基于 SP 的方法通过构建将 NL 问题转换为中间逻辑形式的语义解析器来解决该问题。 传统的语义解析器需要带注释的逻辑形式作为监督，并且仅限于具有少量逻辑谓词的专用领域。 最近的努力通过构建手工规则或特征 (Abujabal et al., 2017; Hu et al., 20【CS224n】(lecture11)Question Answering
学习总结 文章目录 学习总结一、QA介绍1.1 QA的分类：1.2 QA的框架1.3 QA在深度学习领域1.4 Beyond textual QA problems 二、阅读理解2.1 reading comprehension2.2 SQuAD数据集（1）SQuAD evaluation, v1.1（2）SQuAD 2.0 2.3 神经网络模型（1）LSTM-based vs BERT models（2）带注意力机制VQA2021年之后的方向启蒙：Human-Adversarial Visual Question Answering 论文笔记
VQA2021年之后的方向启蒙：Human-Adversarial Visual Question Answering 论文笔记 一、Abstract二、引言三、相关工作3.1 VQA模型加压测试3.2 之前达到饱和的模型3.3 对抗性的数据集 四、AdVQA4.1 Human-Adversarial Annotation Statistics 五、模型评估5.1 Baselines and MLogic-Guided Data Augmentation and Regularization for Consistent Question Answering
题目：逻辑引导数据增强和正则化用于一致性问答 作者：Akari Asai and Hannaneh Hajishirzi 发布地方：ACL2020 面向任务：一致性问答 论文地址：https://arxiv.org/abs/2004.10157 论文代码：https://github. com/AkariAsai/logic_guided_qa 目录 摘要 1 介绍 2 相关工作 3 方法 3.1 一致论文笔记 EMNLP 2020|Event Extraction by Answering (Almost) Natural Questions
文章目录 1 简介1.1 动机1.2 创新 2 方法3 实验 1 简介 论文题目：Event Extraction by Answering (Almost) Natural Questions 论文来源：EMNLP 2020 论文链接：https://arxiv.org/pdf/2004.13625.pdf 代码链接：https://github.com/xinyadu/eeqa 1.1 动机 目前的事件抽取方法2021：Passage Retrieval for Outside-KnowledgeVisual Question Answering通道检索的外部知识视觉问答
摘要 在这项工作中，我们通过关注外部知识视觉问答的通道检索来解决多模态信息需求。这项任务需要访问外部知识，我们定义为一个大的非结构化通道集合。我们首先用BM25进行稀疏检索，并研究用对象名和图像标注来扩展问题。我们验证了视觉线索的重要性，在稀疏检索中，标注比对AMiner论文推荐——QAConv: Question Answering on Informative Conversations
AMiner平台由清华大学计算机系研发，拥有我国完全自主知识产权。平台包含了超过2.3亿学术论文/专利和1.36亿学者的科技图谱，提供学者评价、专家发现、智能指派、学术地图等科技情报专业化服务。系统2006年上线，吸引了全球220个国家/地区1000多万独立IP访问，数据下载量230万次，年度13.1Question Answering 问答系统意境级讲解
文章目录 介绍如何回答答案答案为词汇答案为选项答案为文中片段答案自由回答S-net 无答案Read + VerifySAN QA任务的资料来源为文字资料DrQAV-Net 来源为图片来源为语音Subword单位spoken QA领域自适应对抗学习SpeechBERT 来源为多种QACNN 参考 介绍 对于 QA 任务，有两Improving Question Answering with External Knowledge
第一遍： 亮点 1、通过引用外部数据，整合到预训练模型中，通过实验证实其有效 First, we identify concepts in question and answer options and link these potentially ambiguous concepts to an open domain resource that provides unstructured background information rele文献阅读（十三）：A survey of deep learning-based visual question answering_黄同愿
文献阅读（十三）：A survey of deep learning-based visual question answering_黄同愿 Abstract1 Introduction2 Problems and challenges2.1.1图片标题2.1.2视觉问题生成2.1.3视觉对话 3 Visual question answering3.1卷积神经网络3.2递归神经网络3.3特征融合3.4注意机制3.5知视频问答兴起，多跳问答热度衰退，92篇论文看智能问答的发展趋势
2019年的时候，舒意恒Y.Shu整理了一份《2019年，智能问答有哪些研究方向？》，如今2020年已经过去了一半，该领域的研究趋势发生了一些有趣的变化。于是Y.Shu继续为大家整理了今年ACL、AAAI、IJCAI、SIGIR、CVPR、ICML、KDD等顶级会议上智能问答方向的92篇论文，进行了分方向梳理，并为大家打包了Learning Conditioned Graph Structures for Interpretable Visual Question Answering论文解读
1. 背景 2. 方法概述 2.1 computing model inputs 2.2 Graph learner 2.3 Spatial Graph Convolutions 2.4 Prediction layers 3. 实验 4. 总结 1. 背景 最近的计算机视觉工作一直在探索更高层次的图像表示，特别是使用对象检测器和基于图的结构来更好地理解语义和空间图像Bottom-Up and Top-Down Attention for Image Captioning and Visual Question Answering
先来了解soft attention 与 hard attention的含义：https://blog.csdn.net/ccbrid/article/details/79730645 这个总结很清楚：https://zhuanlan.zhihu.com/p/36151033《Information Extraction over Structured Data：Question Answering with Freebase》论文笔记
摘要： 本文通过提取问题中的实体，通过在知识库中查询该实体可以得到以该实体节点为中心的知识库子图，子图中的每一个结点或边都可以作为候选答案。通过观察问题，依据某些规则或模板进行信息抽取，得到表征问题和候选答案特征的特征向量，建立分类器，通过输入特征向量对候选答案进行筛选，从LightOJ - 1369 - Answering Queries（规律）
链接： https://vjudge.net/problem/LightOJ-1369 题意： The problem you need to solve here is pretty simple. You are give a function f(A, n), where A is an array of integers and n is the number of elements in the array. f(A, n) is defined as follows: long long f(KGQA知识图谱问答资料整理（持续更新...）
Awesome-knowledge-graph-question-answering 整理了部分论文、开源项目、博客、论坛工具、评测比赛，后续会补全已看论文的关键点，跟进新的资料。Github仓库：https://github.com/BshoterJ/awesome-knowledge-graph-question-answering Papers Some papers I have read Methods