面向生物医学问答的神经领域自适应
计算与语言
2017-06-16 v2 人工智能
神经与进化计算
摘要
事实型问答（QA）近年来受益于深度学习（DL）系统的发展。神经网络模型在拥有大型数据集的领域（如用于维基百科文章的 SQuAD（约 100,000 个问题））中优于传统方法。然而，这些系统尚未应用于更特定领域（如生物医学）的 QA，因为数据集通常太小而无法从头训练 DL 系统。例如，用于生物医学 QA 的 BioASQ 数据集包含少于 900 个事实型（单答案）和列表型（多答案）QA 实例。在这项工作中，我们采用多种迁移学习技术，将在大型开放域数据集（SQuAD，源）上训练的神经 QA 系统适配到生物医学数据集（BioASQ，目标）。我们的网络架构基于最先进的 QA 系统，并扩展了生物医学词嵌入和一种用于回答列表问题的新机制。与现有的生物医学 QA 系统不同，我们的系统不依赖于特定领域的本体、解析器或实体标注器，这些工具的创建成本高昂。尽管如此，我们的系统在事实型问题上取得了最先进的结果，在列表问题上取得了具有竞争力的结果。
引用
@article{arxiv.1706.03610,
title = {Neural Domain Adaptation for Biomedical Question Answering},
author = {Georg Wiese and Dirk Weissenborn and Mariana Neves},
journal= {arXiv preprint arXiv:1706.03610},
year = {2017}
}