机器阅读理解和问答是自然语言处理领域的一个火热主题。该任务旨在让机器像人类一样阅读理解。前面两篇文章对BERT的官方源码以及在序列标注上的应用进行了介绍，本篇文章将介绍如何利用BERT来解决阅读理解与问答问题。
【磐创AI导读】：本文主要向大家推荐一个开放域问答机器人的实战项目。欢迎大家点击上方蓝字关注我们的公众号：磐创AI。
本次整理的论文同样主要偏向于Open-Domain QA，其中主要涉及到阿拉伯语的问答（这个可以尝试转变成中文的，因为这个是有源码的）、开放问答系统搭建、开放问答效率提升、基于web表的开放问答方法、开放问答模型泛化能力研究等，最后还有一篇是关于RC(Reading Comprehension)的paper，个人觉得不错所以也放到这里面了。（四篇含源码）
今天推荐FAQ相关的论文，FAQ是聊天机器人的一种，它主要是基于用户的question，匹配相应的答案，返回给用户answer，没有太多的多轮交互。FAQ有较多的应用，如天猫精灵，小度等。
在问答系统的应用中，用户输入一个问题，系统需要根据问题去寻找最合适的答案。 1、采用句子相似度的方式。根据问题的字面相似度选择相似度最高的问题对应的答案，但是采用这种字面相似度的方式并不能有效的捕获用户意图的能力有限。 2、IBM早期应用在watson系统中的DeepQa（http://Building%20Watson:%20An%20Overview%20of%20the%20DeepQA%20Project）算法。该算法通过人工抽取一系列的特征，然后将这些特征输入一个回归模型。该算法普适性较强，并且能
如本瓜在此前的文章中提到过，Prompt 工程已经不中用了，没有人愿意废那么大的劲来学习如何结构化提问，大家想要的就是傻瓜式提问，但是大模型的回答还是精准的、合意的；
QA可以分为Close-domain QA和Open-domain QA，前者一般限制在某个特定领域，有一个给定的该领域的知识库，比如医院里的问答机器人，只负责回答医疗相关问题，甚至只负责回答该医院的一些说明性问题，再比如我们在淘宝上的智能客服，甚至只能在它给定的一个问题集合里面问问题；而Open-domain QA则是我们可以问任何事实性问题，一般是给你一个海量文本的语料库，比方Wikipedia/百度百科，让你从这个里面去找回答任意非主观问题的答案，这显然就困难地多。总结一下，Open-domain QA的定义：
本文将对 ACL2019论文《Incremental Transformer with Deliberation Decoder for Document Grounded Conversations》进行解读，这篇论文提出了一个两步解码器（推敲解码器）可以在给定文档的内容时生成上下文连贯、正确利用知识的回复。
本文来源：博客李维 上次提过，先搜后parse，是可行的。 早在十几年前，AskJeeves 被华尔街追捧。这里面也有很多IT掌故我专门写过博文（【问答系统的前生今世】，【金点子起家的AskJeeves 】）。当时NLP(Natural Language Processing) 红透半边天，下一代 Google 呼之欲出的架势，尽管AskJeeves其实NLP含量很低。他们不过利用了一点NLP浅层对付问题的分析。这才有我们做真正基于NLP的问答系统的空间。 就在AskJeeves上市的当天，我与另一位NLP
DSPy 框架旨在通过优先考虑声明式、系统化编程而不是手动编写提示来解决一致性和可靠性问题。
教程地址：http://www.showmeai.tech/tutorials/36
点击上方“专知”关注获取更多AI知识! 【导读】主题荟萃知识是专知的核心功能之一，为用户提供AI领域系统性的知识学习服务。主题荟萃为用户提供全网关于该主题的精华（Awesome）知识资料收录整理，使得AI从业者便捷学习和解决工作问题！在专知人工智能主题知识树基础上，主题荟萃由专业人工编辑和算法工具辅助协作完成，并保持动态更新！另外欢迎对此创作主题荟萃感兴趣的同学，请加入我们专知AI创作者计划，共创共赢！ 今天专知为大家呈送第四篇专知主题荟萃-自动问答QA知识资料全集荟萃 （入门/进阶/论文/代码/数据/专家
【1】 raceBERT -- A Transformer-based Model for Predicting Race from Names 标题：RaceBERT--一种基于Transformer的从名字预测种族的模型 链接：https://arxiv.org/abs/2112.03807
■ 论文 | Making Neural QA as Simple as Possible but not Simpler
话说天下群雄争相研究知识图谱，而真正对知识图谱和问答系统研究深入透彻的，唯谷歌和李维老师是也。听说李维老师将在凌晨3点给大家分享知识图谱和问答系统的知识，大家都非常兴奋，有诗为证： 今晚硅谷静悄悄，微群设摊待维老。 知识图谱说根苗，预计讲到雄鸡叫。 By 洪涛老师 雄鸡叫，不睡觉，定把智普都学到。 手拿板凳准备好，静等师傅来布道。 By 马少平老师 颇有难度起阶HOW，盖因听众水平高。 讲师竹筒蚕豆倒， 听者瓜子嗑不少。 By 洪涛老师 一、引子 在讨论知识图谱和问答系统之前，先给出几篇以前的文章。第一篇
开发 AI 和机器学习系统从来没有像现在这样方便。 类似于 TensorFlow、Torch 和 Spark 这样的开源工具，在 AI 开发者群体中已是无处不在。再加上亚马逊 AWS、Google Cloud 等云服务带来的海量计算能力，将来使用笔记本电脑来训练 ML 模型或许不再难以想象。 公众对 AI 的遐想，总忽视了数据的角色。但海量被标记、注解过的数据，是当下 AI 革命当之无愧的主要推手之一。业内研究团队和公司机构，均明白“数据民主化”的意义——使任何开发者都能获取高质量的数据来训练、测试模型，是
开发 AI 和机器学习系统从来没有像现在这样方便。 类似于 TensorFlow、Torch 和 Spark 这样的开源工具，在 AI 开发者群体中已是无处不在。再加上亚马逊 AWS、Google Cloud 等云服务带来的海量计算能力，将来使用笔记本电脑来训练 ML 模型或许不再难以想象。 公众对 AI 的遐想，总忽视了数据的角色。但海量被标记、注解过的数据，是当下 AI 革命当之无愧的主要推手之一。业内研究团队和公司机构，均明白“数据民主化”的意义——使任何开发者都能获取高质量的数据来训练、测试模型
大语言模型（LLM）为行业带来变革，具备强大的生成能力，在与知识库和检索器等工具相结合时，能够高效推动聊天机器人和 Agent 等高级生成式 AI（GenAI）应用的发展。与 LLMs 互动的过程中，最核心的部分是提示（prompt）。Prompt 是指用于指导这些模型执行特定任务的命令。然而，制定有效的 Prompt 是一个细致且复杂的过程，常需借助如思维链（Chain-of-Thought）和 ReAct 等高级技术。随着这些技术的发展，Prompt 的复杂性日益增加。此外，即使是相同的 Prompt ，在不同的 LLM（如 GPT-4 和 Gemini）之间也可能因其预训练方法和数据集的不同而产生差异化的结果。这一挑战引发了业内对 Prompt 工程的研究，这是一项专注于调整和优化 Prompt 以获得更佳和更定制化结果的劳动密集型任务。
视觉问答（Visual Question Answering，VQA）专知荟萃 入门学习 进阶论文 Attention-Based Knowledge-based Memory Network Video QA 综述 Tutorial Dataset Code 领域专家 入门学习 基于深度学习的VQA（视觉问答）技术 [https://zhuanlan.zhihu.com/p/22530291] 视觉问答全景概述：从数据集到技术方法 https://mp.weixin.qq.com/s/dyor9bv
作者：段清华 个人主页：http://qhduan.com Github链接: https://github.com/qhduan/
在本篇提前看中，我们重点聚焦 AAAI 2020 中与问答系统（Q&A）相关的文章。问答系统是自然语言处理领域的一个重要研究方向，近年来各大国际会议、期刊都发表了大量与问答系统相关的研究成果，实际工业界中也有不少落地的应用场景，核心算法涉及机器学习、深度学习等知识。问答系统（Q&A）的主要研究点包括模型构建、对问题/答案编码、引入语义特征、引入强化学习、内容选择、问题类型建模、引入上下文信息以及实际应用场景问题解决等。在本次 AAAI2020 中，直接以「Question/Answer」作为题目的论文就有 40 余篇。本文选取了其中三篇进行详细讨论，内容涉及语义特征匹配、模型构建和医学场景应用等。
选自GitHub 机器之心编译 参与：Panda 今年 4 月，斯坦福大学和 Facebook 人工智能研究所在 arXiv 发布了一个基于维基百科的开放域问题问答系统 DrQA。近日，Facebook 在 GitHub 上开源了这个系统的代码，FAIR 主管 Yann LeCun 在社交网络也为这次开源做了宣传。据悉，该研究也将出现在 7 月 30 日举行的 ACL 2017 大会上。 论文地址：https://arxiv.org/abs/1704.00051 开源地址：https://github.co
| 导语 问答系统是信息检索的一种高级形式，能够更加准确地理解用户用自然语言提出的问题，并通过检索语料库、知识图谱或问答知识库返回简洁、准确的匹配答案。相较于搜索引擎，问答系统能更好地理解用户提问的真实意图, 进一步能更有效地满足用户的信息需求。问答系统是目前人工智能和自然语言处理领域中一个倍受关注并具有广泛发展前景的研究方向。 一、引言 问答系统处理的对象主要包括用户的问题以及答案。根据问题所属的知识领域，问答系统可分为面向限定域的问答系统、面向开放域的问答系统、以及面向常用问题集（Fre
ACM SIGIR 2022是CCF A类会议，人工智能领域智能信息检索（ Information Retrieval，IR）方向最权威的国际会议。会议专注于信息的存储、检索和传播等各个方面，包括研究战略、输出方案和系统评估等等。第45届国际计算机学会信息检索大会（The 45rd International ACM SIGIR Conference on Research and Development in Information Retrieval, SIGIR 2022）计划于今年7月11日-7月15日在西班牙马德里召开。这次会议共收到794篇长文和667篇短文投稿，有161篇长文和165篇短文被录用，录用率约为20%和24.7%。官方发布的接收论文列表：
【1】 Information is Power: Intrinsic Control via Information Capture 标题：信息就是权力：通过信息捕获实现内在控制 链接：https://arxiv.org/abs/2112.03899
推荐一波大佬整理的GNN4NLP论文大合集,总共100多篇,涵盖NLP的各种任务~
首先，从最重要的话题开始：4 月发布的主要新模型。这一节将简要介绍 Mixtral、Llama 3 和 Phi-3。下一节将会更详细地介绍苹果的 OpenELM。
我是一个聊天机器人的从业者，办公桌上和家里有各式各样的聊天机器人产品。和大多数用户的体验一样，对于一个刚刚到手的产品，最开始的感觉是新鲜兴奋，但当体验完功能之后，剩下的就是失望和无奈。然后，很可能就将其放在角落里再也不会打开，或者仅仅作为一个音箱，来播放音乐。
【1】 StreaMulT: Streaming Multimodal Transformer for Heterogeneous and Arbitrary Long Sequential Data 标题：StreaMulT：面向异构任意长序列数据的流式多模式转换器 链接：https://arxiv.org/abs/2110.08021
领取专属 10元无门槛券
手把手带您无忧上云
云服务器
ICP备案
实时音视频
对象存储
云直播
