问题能否概括语料？利用问题生成刻画 COVID-19 研究
信息检索
2020-09-22 v1 计算与语言
机器学习
摘要
某些文本数据背后潜藏着哪些问题？本文研究使用问题生成模型来探索文档集合。我们提出的方法称为 corpus2question，其将预训练的问题生成模型应用于语料库，并按频率和时间聚合所生成的问题。该技术可作为主题建模和词云等方法的替代方案，用于概括大量文本数据。结果表明，将 corpus2question 应用于与 COVID-19 相关的科学文章语料库，可生成关于该主题的相关问题。最频繁的问题为“what is covid 19”和“what is the treatment for covid”。在 1000 个最频繁问题中包含“what is the threshold for herd immunity”和“what is the role of ace2 in viral entry”。我们表明，对于 CovidQA 问答数据集中的 27 个专家问题，所提方法对其中的 13 个生成了相似问题。复现实验的代码及生成的问题见：https://github.com/unicamp-dl/corpus2question
引用
@article{arxiv.2009.09290,
title = {Can questions summarize a corpus? Using question generation for characterizing COVID-19 research},
author = {Gabriela Surita and Rodrigo Nogueira and Roberto Lotufo},
journal= {arXiv preprint arXiv:2009.09290},
year = {2020}
}
备注
11 pages, 5 figures