亚洲男人的天堂2018av,欧美草比,久久久久久免费视频精选,国色天香在线看免费,久久久久亚洲av成人片仓井空

在自然語言處理和知識圖構造的信息提取中，三次提取是必不可少的任務。在本文中，我們將重新審視用于序列生成的端到端三重提取任務。由于生成三元組提取可能難以捕獲長期依賴關系并生成不忠實的三元組，因此我們引入了一種新穎的模型，即使用生成Transformer的對比三元組提取。具體來說，我們介紹了一個共享的Transformer模塊，用于基于編碼器-解碼器的生成。為了產生忠實的結果，我們提出了一種新穎的三重態對比訓練對象。此外，我們引入了兩種機制來進一步提高模型性能（即，批量動態注意遮罩和三級校準）。在三個數據集（即NYT，WebNLG和MIE）上的實驗結果表明，我們的方法比基線具有更好的性能。

//www.zhuanzhi.ai/paper/b8ed53721b7162af43614d558adb9c58

在多輪對話中，人們不總是會使用完整精確的句子表達方式，因而使得對話的上下文理解變得尤為困難。可是，我們需要讓計算機充分理解上下文，才能產生一個合理的系統回答。在本文中，我們提出了一種訓練計算機系統通過完成閱讀理解的任務，提升其對會話上下文出現信息缺失情況下的理解推理能力：即使出現了信息缺失，系統也有能力進行理解及補全。受多任務學習范式的啟發，我們提出了一種聯合訓練的模型框架，將對話與閱讀理解兩個不同的任務進行捏合與適度的共享，從而使得這種在信息缺失情況下的推理能力可以很好的幫助對話系統完成會話過程。

//www.zhuanzhi.ai/paper/4796c9faac3b36e1c30a21eed28ebe9e

本文提出了一個簡潔而有效的基于知識到文本轉換的常識問答模型框架，在多個標準的常識問答數據集上進行了深入的測試和分析，并為知識增強的常識問答提供了高性能的基準模型。實驗顯示：①基于知識到文本轉換的常識問答模型是有效且魯棒的；②融合外部知識對于常識問答任務依然有較大潛力；③目前的常識問答模型還遠不能充分發揮知識的潛力——與使用標準知識解釋的模型相比，現有模型均有較大性能差距。

從異步視頻面試(AVI)中的自動語音識別(ASR)轉錄中，我們解決了基于文本特征自動為候選人的能力評分的任務。問題的關鍵在于如何構建問題與答案之間的依賴關系，并對每個問答(QA)對進行語義級交互。然而，目前AVI的研究大多集中在如何更好地表示問題和答案上，而忽視了它們之間的依賴信息和相互作用，而這是QA評估的關鍵。在這項工作中，我們提出了一種層次推理圖神經網絡(HRGNN)用于問答對的自動評估。具體來說，我們構建了一個句子級關系圖神經網絡來捕獲問題和答案之間的句子依賴信息。基于這些圖，我們采用語義級推理圖注意網絡對當前QA會話的交互狀態進行建模。最后，我們提出了一種門控遞歸單元編碼器來表示用于最終預測的時間問答對。在CHNAT(一個真實數據集)上進行的實證結果驗證了我們提出的模型顯著優于基于文本匹配的基準模型。消融研究和10個隨機種子的實驗結果也表明了我們模型的有效性和穩定性。

//www.zhuanzhi.ai/paper/5c766d478e8b7fae79e95f2a09e5bdd1

在各種在線應用中，推薦系統在解決信息爆炸問題、增強用戶體驗方面顯示出了巨大的潛力。為了解決推薦系統中的數據稀疏性和冷啟動問題，研究人員提出了基于知識圖譜的推薦，利用有價值的外部知識作為輔助信息。然而，這些研究大多忽略了多模態知識圖譜(MMKGs)中數據類型的多樣性(如文本和圖像)。為了更好地利用多模態知識，提出了一種多模態知識圖譜注意力網絡(MKGAT)。具體地說，我們提出了一種多模態圖注意力技術，在MMKGs上進行信息傳播，然后使用所得到的聚合嵌入表示進行推薦。據我們所知，這是第一個將多模態知識圖譜引入推薦系統的工作。我們在來自不同領域的兩個真實數據集上進行了大量的實驗，實驗結果表明我們的模型MKGAT能夠成功地應用MMKGs來提高推薦系統的質量。

本文提出了一個新的多粒度閱讀理解框架，并且在NQ數據集上驗證了其有效性。我們利用文檔自身的層次結構特性，以四個粒度建模文檔，并且同時考慮NQ中兩個粒度答案的依賴關系。實驗結果表明我們提出的方法是非常有效的，并且相比現有方法有了大幅度的提升。

整體系統架構，所有文檔片段被獨立的輸入到模型中，最后匯總之后得到答案 我們針對這種NQ數據集提出了一個新的框架，整體系統架構如圖3所示，我們將問題以及文檔的每個片段獨立的輸入到模型中，通過BERT編碼器進行編碼，得到問題和文檔片段的初步表示，然后用我們提出的圖編碼器用得到的表示進一步建模，最終得到一系列結構化的表示，匯總到答案選擇模塊得到答案。

簡介：

為了提供對機器閱讀理解（MRC）中現有任務和模型的調查，本報告回顧：1）一些具有代表性的簡單推理和復雜推理MRC任務的數據集收集和性能評估； 2）用于開發基于神經網絡的MRC模型的體系結構設計，注意機制和提高性能的方法； 3）最近提出了一些轉移學習方法，以將外部語料庫中包含的文本樣式知識合并到MRC模型的神經網絡中； 4）最近提出的一些知識庫編碼方法，用于將外部知識庫中包含的圖形樣式知識合并到MRC模型的神經網絡中。 此外，根據已經取得的成就和仍然存在的不足，本報告還提出了一些尚待進一步研究的問題。

目錄：

機器閱讀理解（MRC）要求機器閱讀上下文并根據其對上下文的理解回答一組相關問題。作為自然語言處理（NLP）中具有挑戰性的領域，MRC吸引了人工智能界的關注。近年來，許多MRC任務已經建立，以促進該領域的探索和創新。這些任務在數據集收集和性能評估方面差異很大，但是在此報告中，根據所需推理過程的復雜性，它們大致分為兩類：

• 簡單的MRC任務，其中每個上下文都是單個段落，例如單個虛構故事或報紙文章，因此所需的推理過程相對簡單。
• 復雜原因的MRC任務，其中每個上下文由多個步驟組成，例如多個書中的章節或網絡文檔，因此所需的推理過程相對復雜。