基于动态多任务学习的连续问题生成
计算与语言
2022-11-17 v1 人工智能
摘要
本文提出连续问题生成（CQG）任务，该任务生成一组逻辑相关的问答对以理解整篇文本，并综合考虑准确性、覆盖率和信息量等方面。为此，我们首先考察 CQG 的四个关键要素，即问题、答案、依据和上下文历史，并提出一种新颖的动态多任务框架，其中一个主任务生成问答对，四个辅助任务生成其他要素。它通过联合训练与自重排序直接帮助模型生成高质量问题。同时，为充分挖掘给定文本中值得提问的信息，我们利用重排序损失对依据进行采样，并从全局搜索最佳问题序列。最后，我们通过问答数据增强、人工评估以及所生成问答对在 DocNLI 上的新颖应用来衡量我们的策略。我们证明该策略能显著改进问题生成，并惠及多个相关自然语言处理任务。
引用
@article{arxiv.2211.08850,
title = {Consecutive Question Generation via Dynamic Multitask Learning},
author = {Yunji Li and Sujian Li and Xing Shi},
journal= {arXiv preprint arXiv:2211.08850},
year = {2022}
}
备注
Findings of EMNLP 2022