面向高层文本理解的好奇式问题生成
计算与语言
2020-10-06 v1
摘要
好奇的探究性问题在人类各种场景中自然产生，但对自动系统而言是一项挑战性任务。一类自然的问题类型试图填补文本理解中的知识空白，例如阅读新闻文章时：我们可能询问背景信息、事物发生的更深层原因等。尽管数据驱动方法近期取得进展，生成此类问题仍超出基于现有数据集训练的模型能力范围。我们引入 INQUISITIVE，一个包含约 19K 在个人阅读文档过程中引发的问题的数据集。与现有数据集相比，INQUISITIVE 问题更面向文本的高层（语义与语篇）理解。我们显示读者运用一系列语用策略来寻求信息。最后，我们基于 GPT-2 评估问题生成模型，表明我们的模型能够生成合理问题，尽管该任务具有挑战性，并强调了上下文对于生成 INQUISITIVE 问题的重要性。
引用
@article{arxiv.2010.01657,
title = {Inquisitive Question Generation for High Level Text Comprehension},
author = {Wei-Jen Ko and Te-Yuan Chen and Yiyan Huang and Greg Durrett and Junyi Jessy Li},
journal= {arXiv preprint arXiv:2010.01657},
year = {2020}
}
备注
EMNLP 2020