Chia sẻ bài báo qua Email TỔNG HỢP MỘT SỐ PHƯƠNG PHÁP HỌC SÂU ÁP DỤNG VÀO BÀI TOÁN LỰA CHỌN CÂU TRẢ LỜI TRONG HỆ THỐNG HỎI ĐÁP CỘNG ĐỒNG
Thông tin bài báo
Ngày nhận bài: 13/04/21 Ngày hoàn thiện: 12/08/21 Ngày đăng: 18/08/21Các tác giả
1. Hà Thị Thanh
, Trường Đại học Công nghệ Thông tin và Truyền thông – ĐH Thái Nguyên2. Mông Thị Minh Hường, Trường Đại học Kỹ thuật Công nghiệp - ĐH Thái Nguyên
3. Hồ Thị Tuyến, Trường Đại học Công nghệ Thông tin và Truyền thông – ĐH Thái Nguyên
4. Lương Minh Huế, Trường Đại học Công nghệ Thông tin và Truyền thông – ĐH Thái Nguyên
Tóm tắt
Bài toán tìm câu trả lời (còn gọi là bài toán lựa chọn câu trả lời hay tìm câu trả lời tốt nhất) là một bài toán chính trong hệ thống hỏi đáp. Khi một câu hỏi được đăng lên forum sẽ có nhiều người tham gia trả lời câu hỏi. Bài toán lựa chọn câu trả lời với mục đích thực hiện sắp xếp các câu trả lời theo mức độ liên quan tới câu hỏi. Những câu trả lời nào đúng nhất sẽ được đứng trước các câu trả lời kém liên quan hơn. Trong những năm gần đây, rất nhiều mô hình học sâu được đề xuất sử dụng vào nhiều bài toán xử lý ngôn ngữ tự nhiên (NLP) trong đó có bài toán lựa chọn câu trả lời trong hệ thống hỏi đáp nói chung và trong hệ thống hỏi đáp cộng đồng (CQA) nói riêng. Hơn nữa, các mô hình được đề xuất lại thực hiện trên các tập dữ liệu khác nhau. Vì vậy, trong bài báo này, chúng tôi tiến hành tổng hợp và trình bày một số mô hình học sâu điển hình khi áp dụng vào bài toán tìm câu trả lời đúng trong hệ thống hỏi đáp và phân tích một số thách thức trên các tập dữ liệu cho bài toán trên hệ thống hỏi đáp.
Từ khóa
Toàn văn:
PDFTài liệu tham khảo
[1] W. Bian, S. Li, Z. Yang, G. Chen, and Z. Lin, “A Compare-Aggregate Model with Dynamic-Clip Attention for Answer Selection,” CIKM, New York – NY - USA, 2017, pp. 1987-1990.
[2] H. He, J.Wieting, K. Gimpel, J. Rao, and J. Lin, “Attention- based multi-perspective convolutional neural networks for textual similarity measurement,” The Proceedings of the 10th International Workshop on Semantic Evaluation (SemEval- 2016), San Diego - California, 2016, pp. 1103-1108.
[3] T. M. Lai, T. Bui, and S. Li, “A Review on Deep Learning Techniques Applied to Answer Selection,” COLING, Santa Fe - New Mexico - USA, 2018, pp. 2132-2144.
[4] J. Devlin, M.-W. Chang, K. Lee, and K. Toutanova, “BERT: Pre-training of Deep Bidirectional Transformers for Language Understanding,” NAACL-HLT, Minneapolis - Minnesota - USA, 2019, pp. 4171-4186.
[5] S. Wan, M. Dras, R. Dale, and C. Paris, “Using dependency-based features to take the para-farce out of paraphrase,” The Proceedings of the Australasian Language Technology Workshop 2006, Sydney - Australia, 2006, pp. 131-138.
[6] Yi, Liang and Wang, JianXiang and Lan, Man, "ECNU: Using Multiple Sources of CQA-based Information for Answers Selection and Response Inference", The proceedings of the 9th International Workshop on Semantic Evaluation SemEval, Denver, Colorado, 2015, pp.236--241.
[7] M. Wang and C. D. Manning, “Probabilistic Tree-Edit Models with Structured Latent Variables for Textual Entailment and Question Answering,” The COLING, Beijing - China, 2010, pp. 1164-1172.
[8] L. Yu, & K. M. Hermann, P. Blunsom, and S. Pulman, “Deep Learning for Answer Sentence Selection”, 2014. [Online]. Available: https://arxiv.org/abs/1412.1632. [Accessed May 2021].
[9] M. Tan, B. Xiang, and B. Zhou, “LSTM-based Deep Learning Models for non-factoid answer selection,” 2015. [Online]. Available: https://arxiv.org/abs/1511.04108. [Accessed May 2021].
[10] H. T. Madabushi, M. Lee, and J. Barnden, “Integrating Question Classification and Deep Learning for improved Answer Selection,” COLING 2018, Santa Fe - New Mexico - USA, 2018, pp. 3283-3294
[11] H. He, K. Gimpel, and J. Lin, “Multi-perspective sentence similarity modeling with convolutional neural networks,” EMNLP, Lisbon - Portugal, 2015, pp. 1576-1586.
[12] T. T. Ha, A. Takasu, T. C. Nguyen, K. H. Nguyen, V. N. Nguyen, K. A. Nguyen, and S. G. Tran, “Supervised attention for answer selection in community question answering,” IJAI, vol 9, no. 2, pp. 203-11, 2020.DOI: https://doi.org/10.34238/tnu-jst.4321
Các bài báo tham chiếu
- Hiện tại không có bài báo tham chiếu