学习提出好问题：基于完美信息神经期望值的澄清问题排序
计算与语言
2018-06-14 v2
摘要
提问是交流的基础，机器除非能够提出问题，否则无法与人类有效协作。在本工作中，我们构建了一个用于澄清问题排序任务的神经网络模型。我们的模型受到完美信息期望值思想的启发：一个好问题是其期望答案将有用的问题。我们使用 StackExchange 的数据研究这一问题，StackExchange 是一个丰富的在线资源，人们经常对帖子提出澄清问题，以便更好地为原帖提供帮助。我们创建了一个澄清问题数据集，包含来自 StackExchange 三个领域（askubuntu、unix 和 superuser）的约 77K 个帖子，每个帖子配有一个澄清问题（及答案）。我们在该数据集的 500 个样本上评估了我们的模型，并与专家人工判断进行对比，证明了相较于受控基线有显著提升。
引用
@article{arxiv.1805.04655,
title = {Learning to Ask Good Questions: Ranking Clarification Questions using Neural Expected Value of Perfect Information},
author = {Sudha Rao and Hal Daumé},
journal= {arXiv preprint arXiv:1805.04655},
year = {2018}
}