ASU在TextGraphs 2019共享任务中的系统：利用语言模型与迭代重排序进行解释再生
计算与语言
2019-09-20 v1 信息检索
机器学习
摘要
本文描述了亚利桑那州立大学自然语言处理组针对TextGraphs 2019共享任务所构建的系统。该任务聚焦于解释再生（Explanation Regeneration），这是面向大型图上通用多跳推理的中间步骤。我们的方法将解释再生任务建模为一个“学习排序（learning to rank）”问题，为此我们使用了最先进的语言模型并探索了数据集准备技术。我们采用基于迭代重排序的方法以进一步提升排序效果。我们的系统在该任务中取得第2名，在测试集上的平均精度均值（MAP）为41.3%。
引用
@article{arxiv.1909.08863,
title = {ASU at TextGraphs 2019 Shared Task: Explanation ReGeneration using Language Models and Iterative Re-Ranking},
author = {Pratyay Banerjee},
journal= {arXiv preprint arXiv:1909.08863},
year = {2019}
}
备注
6+1 pages, 1 figures, Shared Task on Proceedings of the Thirteenth Workshop on Graph-Based Methods for Natural Language Processing (TextGraphs-13)