面向时间敏感问答的时间感知表示学习
计算与语言
2023-10-20 v1 人工智能
机器学习
摘要
时间是现实世界问答（QA）问题的关键因素之一。然而，由于现有 QA 数据集未包含充足的时间表达，语言模型难以理解时间指示词（如“after”与“before”）和数字之间的关系。为解决此问题，我们提出时间上下文感知问答（TCQA）框架。我们提出时间上下文依赖的跨度抽取（TCSE）任务，并构建用于模型训练的时间上下文依赖数据生成框架。此外，我们利用 TCSE 提出一种评估 QA 模型时间感知能力的指标。TCSE 任务由一个问题和四个句子候选组成，这些候选根据时间与上下文被分类为正确或错误。模型经训练从时间与上下文均正确的句子中抽取答案跨度。采用 TCQA 训练的模型在 TimeQA 数据集上 F1 分数超越基线模型至多 8.5。我们的数据集与代码发布于 https://github.com/sonjbin/TCQA
引用
@article{arxiv.2310.12585,
title = {Time-Aware Representation Learning for Time-Sensitive Question Answering},
author = {Jungbin Son and Alice Oh},
journal= {arXiv preprint arXiv:2310.12585},
year = {2023}
}
备注
2023 EMNLP Findings