面向多选科学考试的多类层次化问题分类
计算与语言
2019-08-16 v1 人工智能
摘要
先前工作表明，问题分类（QC），即识别问题的领域，可帮助更准确地作答。然而，强 QC 算法的发展一直受限于可用标注数据的规模和复杂度。为此，我们提出了最大的 QC 挑战数据集，包含 7,787 道科学考试问题，并配有来自 406 个问题领域的细粒度层次分类法的详细分类标签。然后我们展示，在此数据集上训练的基于 BERT 的模型相比先前方法获得了大幅（+0.12 MAP）提升，同时在基准开放领域和 biomedical QC 数据集上达到了最先进性能。最后，我们展示使用该模型对问题主题的预测可将问答系统的准确率显著提升 +1.7% P@1，且随着 QC 性能提升未来可能有更大收益。
引用
@article{arxiv.1908.05441,
title = {Multi-class Hierarchical Question Classification for Multiple Choice Science Exams},
author = {Dongfang Xu and Peter Jansen and Jaycie Martin and Zhengnan Xie and Vikas Yadav and Harish Tayyar Madabushi and Oyvind Tafjord and Peter Clark},
journal= {arXiv preprint arXiv:1908.05441},
year = {2019}
}