面向端到端知识库问答的多示例学习
计算与语言
2019-03-08 v1
摘要
端到端训练已成为知识库问答（KBQA）的一种流行方法。然而，真实世界应用常包含针对用户问题的质量参差不齐的答案。将所有可用答案同等对待是不恰当的。本文提出一种基于多示例学习的新方法，通过在训练端到端 KBQA 模型时探索同一问题答案间的共识，来解决含噪答案问题。具体而言，QA 对被组织为包，并采用动态实例选择与不同的实例加权选项。课程学习用于在训练中选择实例包。在公开 CQA 数据集上，新方法相比最先进的端到端 KBQA 基线显著提升了实体准确率与 Rouge-L 分数。
引用
@article{arxiv.1903.02652,
title = {Multi-Instance Learning for End-to-End Knowledge Base Question Answering},
author = {Mengxi Wei and Yifan He and Qiong Zhang and Luo Si},
journal= {arXiv preprint arXiv:1903.02652},
year = {2019}
}