使用带有潜在主题聚类的层次递归编码器学习排序问答对
计算与语言
2018-04-10 v3 人工智能
摘要
在本文中，我们提出了一种新颖的端到端神经架构，用于对候选答案进行排序，该架构采用了层次递归神经网络和潜在主题聚类模块。通过我们提出的模型，文本从词级到块级被编码为向量表示，以有效捕获整体含义。特别是，通过采用层次结构，我们的模型在较长文本理解中表现出非常小的性能下降，而其他最先进的递归神经网络模型则受此困扰。此外，潜在主题聚类模块从目标样本中提取语义信息。该聚类模块通过允许每个数据样本找到其最近的主题簇，从而帮助神经网络模型分析整个数据，对任何文本相关任务都很有用。我们在 Ubuntu 对话语料库和与三星产品相关的消费电子领域问答数据集上评估了我们的模型。所提出的模型在问答对排序任务上展示了最先进的结果。
引用
@article{arxiv.1710.03430,
title = {Learning to Rank Question-Answer Pairs using Hierarchical Recurrent Encoder with Latent Topic Clustering},
author = {Seunghyun Yoon and Joongbo Shin and Kyomin Jung},
journal= {arXiv preprint arXiv:1710.03430},
year = {2018}
}
备注
10 pages, Accepted as a conference paper at NAACL 2018