answering

使用huggingface pipeline实现抽取式问答question-answering

fromhuggingface_hub.hf_apiimportHfFolderHfFolder.save_token('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')fromtransformersimportpipelineqa_model=pipeline("question-answering

hehui0921·2024-02-13 09:36

复现Reasoning with Heterogeneous Graph Alignment for Video Question Answering

tgif其实就是gif数据集，feat，vocabulary还有datasets获取参见https://github.com/fanchenyou/HME-VideoQA/tree/master/gif-qaNomodulenamed‘colorlog’pipinstallcolorlogNomodulenamed‘block’pipinstallblock.bootstrap.pytorchor

Mighty_Crane·2024-01-30 20:11

基于LLM+RAG的问答

hj_caas·2024-01-22 06:25

2024年1月10日最热NLP大模型论文：Narrowing the Knowledge Evaluation Gap: Open-Domain Question Answering...

Google研究新突破：问答系统的革新，智能回答更准确，知识评估差距被缩小引言：多粒度问题回答的挑战与机遇在开放领域的问答（QA）任务中，事实问题通常可以在不同的粒度级别上得到正确的回答。例如，对于问题“奥巴马何时出生？”，“1961年8月4日”和“1961年”都是正确的答案。然而，标准的问答评估协议并没有明确考虑这一点，而是将预测答案与单一粒度级别的参考答案进行比较。在本工作中，我们提出了GRA

夕小瑶·2024-01-12 05:44

Learn to Explain: Multimodal Reasoning viaThought Chains for Science Question Answering科学问答的思维链

关于ScienceQA模仿回答ScienceQA问题时的多跳推理过程。ScienceQA展示了以下功能的实用性语言模型中的CoT，因为CoT在少样本GPT-3中将问答性能提高了1.20%微调的UnifiedQA中为3.99%。思想链(CoT)。我们进一步设计语言模型学习生成讲座和解释作为解释和讲座主题和他们的答案注释以及相应的科学，这是一个新的基准由约21k多模态多项选择问题组成，其中包含一组不同

Mars_prime·2023-12-21 08:37

Answering difficult questions in other way

I’mnot(too)sureQ：Doyouthinkcomputersmakelifeeasier？A：I’mnot(too)sure,tobehonest,butIreckontheydomakelifeeasierbecause…Ican’tsayforsure,but…Q：Doyouthinkcomputersmakelifeeasier？A：Ican’tsayforsure,butits

ReadThroughLife·2023-12-17 14:52

【论文阅读】Answering Label-Constraint Reachability in Large Graphs

XuK,ZouL,YuJX,etal.Answeringlabel-constraintreachabilityinlargegraphs[C]//Proceedingsofthe20thACMinternationalconferenceonInformationandknowledgemanagement.2011:1595-1600.Abstract在本文中，我们研究了可达性查询的一种变体，

malo12·2023-12-15 05:26

Towards Top-Down Reasoning: An Explainable Multi-Agent Approach for Visual Question Answering

目录一、论文速读1.1摘要1.2论文概要总结二、论文精度2.1论文试图解决什么问题？2.2论文中提到的解决方案之关键是什么？2.3用于定量评估的数据集是什么？代码有没有开源？2.4这篇论文到底有什么贡献？2.5下一步呢？有什么工作可以继续深入？一、论文速读paper:https://arxiv.org/pdf/2311.17331.pdf1.1摘要最近，视觉语言模型（VLMs）受到了显著的关注，在

hanranV·2023-12-01 14:01

论文笔记：Bottom-Up and Top-Down Attention for Image Captioningand Visual Question Answering

主要学习该方法在VQA中的用法。摘要自顶向下和自底向上结合的注意力机制，使注意力能够在物体和其他显著图像区域的水平上进行计算。自底向上的机制(基于FasterR-CNN)提出图像区域，每个区域都有一个相关的特征向量，而自顶向下的机制确定特征权重。1、介绍注意力机制上图是：左边：注意力模型在CNN特征上运行，这些特征对应于大小相等的图像区域的统一网格。右边：模型在物体和其他显著图像区域的水平上计算注

hongyuyahei·2023-12-01 12:09

LOIS: Looking Out of Instance Semanticsfor Visual Question Answering

目录一、论文速读1.1摘要1.2论文概要总结二、论文精度2.1论文试图解决什么问题？2.2论文中提到的解决方案之关键是什么？2.3用于定量评估的数据集是什么？代码有没有开源？2.4这篇论文到底有什么贡献？2.5下一步呢？有什么工作可以继续深入？一、论文速读论文arxiv链接1.1摘要视觉问答（VQA）作为一种需要在视觉和语言之间架起桥梁以正确推断答案的多模态任务，已被密集研究。最近的尝试开发了各种

hanranV·2023-11-29 17:32

Fully Authentic Visual Question Answering Dataset from Online Communities

目录一、论文速读1.1摘要1.2论文概要总结相关工作主要贡献论文主要方法实验数据未来研究方向二、论文精度2.1论文试图解决什么问题？2.2下一步呢？有什么工作可以继续深入？一、论文速读arxiv：https://arxiv.org/pdf/2311.15562.pdf1.1摘要视觉问答（VQA）是指关于图像的问题的回答。我们介绍了第一个VQA数据集，其中所有内容都来自真实用例。这个数据集源自在线问

hanranV·2023-11-29 17:31

MCAN论文笔记——Deep Modular Co-Attention Networks for Visual Question Answering

MCANMCAN论文笔记，仅记录个人阅读感受，如有问题和侵权行为，欢迎指出DeepModularCo-AttentionNetworksforVisualQuestionAnswering,CVPR2019Tutorial(rohit497.github.io)本文受到Transformer启发，运用了两种attentionunit：模型内部交互的self-attention(例如word-to-

sajomanaka·2023-11-26 14:53

MCAN：Deep Modular Co-Attention Networks for Visual Question Answering——2019 CVPR 论文笔记

这是一篇2019年CVPR的论文。作者认为VQA任务需要对图像中的视觉内容和问题中的文本内容进行细粒度和同步的理解。因此，设计一个有效的“共同注意”模型将问题中的关键词与图像中的关键对象相关联是VQA性能提升的核心。论文链接：CVPR2019OpenAccessRepositorycode：GitHub-MILVLG/mcan-vqa:DeepModularCo-AttentionNetworks

BXDBB·2023-11-26 14:52

TAT-QA: A Question Answering Benchmark on a Hybrid of Tabular and Textual Content in Finance

文章目录前言一、摘要（abstract）二、引言（Introduction）1.引入库2.读入数据总结前言TAT-QA:AQuestionAnsweringBenchmarkonaHybridofTabularandTextualContentinFinance是2021年5月发表在ACL上的文章。改文章主要介绍针对基于金融领域表格(Tabular)和文本(Textual)混合(Hybrid)（即

云才哥·2023-11-25 14:08

Knowledge-Augmented Language Model Prompting for Zero-Shot Knowledge Graph Question Answering

本文是LLM系列的文章，针对《Knowledge-AugmentedLanguageModelPromptingforZero-ShotKnowledgeGraphQuestionAnswering》的翻译。零样本知识图谱问答的知识增强语言模型提示摘要1引言2相关工作3方法4实验设置5实验结果和分析6结论不足摘要大型语言模型（LLM）能够根据预先训练过程中存储在参数中的内部知识，执行零样本封闭式问

UnknownBody·2023-11-14 11:33

(含源码)「自然语言处理(NLP)」Question Answering(QA)论文整理(六)

来源:AINLPer微信公众号（每日更新...）编辑:ShuYini校稿:ShuYini时间:2020-03-25引言：本次整理的论文还是主要偏向于机器阅读理解的问答（MRC-QA），其中主要涉及到双向注意流(BIDAF)网络、GatedAttention模型、ASReader模型、问答句子识别、双向注意机制和层次表示学习的关系图神经网络、类人问答系统建立等。论文打包获取方式：关注AINLPer微

Shu灬下雨天·2023-11-01 02:06

抱抱脸（hugging face）教程-中文翻译-QA问答（Question Answering）

Questionanswering(QA)问题回答任务返回给定问题的答案。有两种常见的问题回答形式:提取式:从给定的上下文中提取答案。生成式:从正确回答问题的上下文中生成一个答案。本指南将向您展示如何对SQuAD数据集上的DistilBERT进行微调，以便进行提取问题回答。有关其他形式的问题回答及其相关模型、数据集和指标的更多信息，请参见问题回答任务页。载入SQuAD数据集从Datasets库加载

wwlsm_zql·2023-10-19 03:45

Evaluating Open-Domain Question Answering in the Era of Large Language Models

本文是LLM系列文章，针对《EvaluatingOpen-DomainQuestionAnsweringintheEraofLargeLanguageModels》的翻译。大语言模型时代的开放域问答评价摘要1引言2相关工作3开放域QA评估4评估开放域QA模型的策略5正确答案的语言分析6CuratedTREC上的正则表达式匹配7结论摘要词汇匹配仍然是开放域问答(QA)事实上的评价方法。不幸的是，当一

UnknownBody·2023-10-17 00:56

Video Graph Transformer for Video Question Answering 论文笔记

论文地址：http://arxiv.org/pdf/2207.05342代码地址：https://github.com/sail-sg/VGT摘要本文提出了一种VideoGraphTransformer用于视频问答：1）设计了一个动态图转换器模块，该模块通过显式捕获视觉对象、它们的关系和动态来对视频进行编码，以进行复杂的时空推理；2）利用解耦的视频和文本Transformer进行视频和文本之间的相

魔法少女玛格姬·2023-10-14 07:52

论文笔记--Augmenting Pre-trained Language Models with QA-Memory for Open-Domain Question Answering

论文笔记--AugmentingPre-trainedLanguageModelswithQA-MemoryforOpen-DomainQuestionAnswering1.文章简介2.文章概括3文章重点技术3.1QA3.2QAMAT(QA-Memory-AugmentedTransformer)3.2.1Encoder3.2.2DenseRetriver3.2.3NeuralMemoryInte

Isawany·2023-10-10 13:52

(含源码)「自然语言处理(NLP)」Question Answering(QA)论文整理(一)

来源:AINLPer微信公众号（每日更新...）编辑:ShuYini校稿:ShuYini时间:2020-03-02引言：下面是作者整理的关于QuestionAnswering（QA）相关的论文文章，下面这10篇文章都顶会ICLR发表的文章，能找到源码的作者也直接贴出来了，如果你对QuestionAnswering（QA）感兴趣或者也在找一些相关的文章，希望能够帮助你~~TILE:Pretraine

Shu灬下雨天·2023-10-09 07:51

QA-GNN: Reasoning with Language Models and Knowledge Graphsfor Question Answering

题目：QA-GNN：使用语言模型和知识图进行问答推理作者：MichihiroYasunaga、HongyuRen、AntoineBosselut、PercyLiang、JureLeskovec发布地方：naacl面向任务：知识图谱问答论文地址：https://arxiv.org/abs/2104.06378论文代码：https://github.com/michiyasunaga/qagnn.目录

SU_ZCS·2023-10-08 19:24

Investigating Answerability of LLMs for Long-Form Question Answering

本文是LLM系列的文章，针对《InvestigatingAnswerabilityofLLMsforLong-FormQuestionAnswering》的翻译。LLM在长形式问答中的可回答性研究摘要1引言2相关工作3提出的评估方法4结果与分析5结论6局限性摘要随着我们进入LLM的新时代，了解它们的能力、局限性和差异变得越来越重要。为了在这一方向上取得进一步进展，我们努力更深入地了解大规模LLM（

UnknownBody·2023-09-18 13:51

开放域问答论文-Generator-Retriever-Generator: A Novel Approach to Open-domain Question Answering

目录摘要Introduction方法3.1文档生成3.1.1向量索引检索3.2文档检索器3.3生成模型4实验设置4.1数据集4.2文件编号的选择4.3实验设置5结果5.1开放域QA结果消融6结论论文链接：https://arxiv.org/pdf/2307.11278.pdf摘要开放域问答（QA）任务通常需要从大型语料库中检索相关信息以生成准确的答案。我们提出了一种称为生成器-检索器-生成器（GR

无脑敲代码，bug漫天飞·2023-09-12 07:23

论文阅读-Retrieving and Reading : A ComprehensiveSurvey on Open-domain Question Answering

论文链接：https://arxiv.org/pdf/2101.00774.pdf目录Abstract1简介2OPENQA的发展2.1OpenQA的起源2.2OpenQA的传统架构2.2.1问题分析2.2.2文献检索2.2.3答案提取2.3深度神经网络在OpenQA中的应用3现代OPENQA：检索和阅读3.1Retriever3.1.1SparseRetriever3.1.2DenseRetrie

无脑敲代码，bug漫天飞·2023-09-07 07:16

Knowledge Graph Prompting for Multi-Document Question Answering

本文是LLM系列文章，针对《KnowledgeGraphPromptingforMulti-DocumentQuestionAnswering》的翻译。多文档问答中的知识图谱提示摘要1引言2符号3知识图谱构建4LM引导的图形遍历器5实验6相关工作7结论摘要大型语言模型的“预训练、提示、预测”范式在开放领域问答（OD-QA）中取得了显著的成功。然而，很少有工作在多文档问答（MD-QA）的场景中探索这

UnknownBody·2023-09-06 15:56

GREASELM: GRAPH REASONING ENHANCED LANGUAGE MODELS FOR QUESTION ANSWERING

本文是LLM系列文章，针对《GREASELM:GRAPHREASONINGENHANCEDLANGUAGEMODELSFORQUESTIONANSWERING》的翻译。GREASELM：图推理增强的问答语言模型摘要1引言2相关工作3提出的方法：GREASELM4实验设置5实验结果6结论摘要回答关于文本叙事的复杂问题需要对所陈述的上下文和作为其基础的世界知识进行推理。然而，作为大多数现代QA系统的基

UnknownBody·2023-09-05 09:46

Invariant grounding for video question answering 论文阅读

论文地址：https://openaccess.thecvf.com/content/CVPR2022/papers/Li_Invariant_Grounding_for_Video_Question_Answering_CVPR

魔法少女玛格姬·2023-08-24 17:08

python-transformers常用的pipline和常用模型介绍

其中一些常用的pipeline包括：feature-extraction：获得文本的向量化表示fill-mask：填充被遮盖的词、片段ner：命名实体识别question-answering：自动问答sentiment-analysis

liwulin0506·2023-08-19 23:07

ES7.3支持语义句向量查询

xiiatuuo·2023-08-13 07:29

Hierarchical Graph Network for Multi-hop Question Answering

HGN由4个模块组成：GraphConstructionModuleContextEncodingModuleGraphReasoningModuleMulti-taskPredictionModuleGraphConstruction找到最相关的段落训练了一个Roberta+binary_cls检索相关的段落（匹配段落标题和问题）如果多个都相关，则选择得分最高的两个如果titlematching

一纸素笺凝笑语·2023-08-08 10:53

使用langchain与你自己的数据对话(四)：问答(question answering)

之前我已经完成了使用langchain与你自己的数据对话的前三篇博客，还没有阅读这三篇博客的朋友可以先阅读一下：使用langchain与你自己的数据对话(一)：文档加载与切割使用langchain与你自己的数据对话(二)：向量存储与嵌入使用langchain与你自己的数据对话(三)：检索(Retrieval)今天我们来继续讲解deepleaning.AI的在线课程“LangChain:Chatwi

-派神-·2023-08-02 15:24

论文笔记--Won’t Get Fooled Again: Answering Questions with False Premises

论文笔记--Won’tGetFooledAgain:AnsweringQuestionswithFalsePremises1.文章简介2.文章概括3文章重点技术3.1大模型面对FPQs的表现3.2FalseQAs数据集3.3训练和评估4.文章亮点5.原文传送门1.文章简介标题：Won’tGetFooledAgain:AnsweringQuestionswithFalsePremises作者：She

Isawany·2023-07-24 20:15

(含源码)「自然语言处理(NLP)」Question Answering(QA)论文整理(五)

来源:AINLPer微信公众号（每日更新...）编辑:ShuYini校稿:ShuYini时间:2020-03-24引言：本次整理的论文还是主要偏向于Open-DomainQA，其中主要涉及到增强Ranker-Reader、SearchQA的大型数据集、PullNet集成框架、改进的加权抽样训练策略、开放QA中的Bert模型优化等。本次论文获取方式：1、百度云链接，提取码:y9xq2、关注AINLP

Shu灬下雨天·2023-07-24 10:55

LangChain（1）简介

:提示模板Prompttemplatesaretemplatesfordifferenttypesofprompts.Like“chatbot”styletemplates,ELI5question-answering

小何才露尖尖角·2023-07-14 02:59

NLP——Question Answering 问答模型

文章目录2keyapproachesInformationretrieval-basedQAQuestionProcessing问题处理AnswerTypesRetrieval文档检索AnswerExtraction答案提取Knowledge-basedQASemanticParsing语义解析HybridQAEvaluation2keyapproachesInformationretrieval

暖仔会飞·2023-06-15 21:13

论文阅读：Multimodal Graph Transformer for Multimodal Question Answering

文章目录论文链接摘要1contribution3MultimodalGraphTransformer3.1BackgroundonTransformers3.2Frameworkoverview框架概述3.3Multimodalgraphconstruction多模态图的构建TextgraphSemanticgraphDenseregiongraphGraph-involvedquasi-atte

Gao+Ling·2023-06-14 10:18

Lecture 19 Question Answering

目录introductionIR-basedQA(dominantapproach)Knowledge-basedQAHybridQAConclusionintroductionDefinition:questionanswering(“QA”)isthetaskofautomaticallydeterminingtheanswerforanaturallanguagequestionMostly

小羊和小何·2023-06-09 21:26

Where To Look: Focus Regions for Visual Question Answering——CVPR2016

WhereToLook:FocusRegionsforVisualQuestionAnswering——CVPR2016文章链接：https://arxiv.org/pdf/1511.07394.pdfWhereToLook:FocusRegionsforVisualQuestionAnswering概括：个人感觉wheretolook的地位有点相当于VQA方向attention的始祖第一次提出了

weixin_43364401·2023-04-20 09:34

MUTAN:Multimodal Tucker Fusion For Visual Question Answering

MUTAN:MultimodalTuckerFusionForVisualQuestionAnswering0.写在前面在介绍本篇论文前，我们首先介绍什么是矩阵分解，tucker张量分解，双线性模型？？0.1矩阵分解矩阵分解大致三个作用:降维处理，稀疏数据填充，隐形关系挖掘。下面以推荐系统中常用的矩阵分解为例。推荐系统中，给定一个大小为m∗nm*nm∗n的评分矩阵R，元素rijr_{ij}rij表

snow5618·2023-04-20 09:03

『论文笔记』In Defense of Grid Features for Visual Question Answering

InDefenseofGridFeaturesforVisualQuestionAnswering一句话总结网格特征不仅准确度不输给区域特征，推理速度上又快出一个量级。导论本文主要探讨了在VQA等视觉语言任务中，使用什么类型的图像特征可以达到更好的效果。区域特征(Regions)还是网格特征(Grids)？在以VQA为代表的一系列视觉语言任务中，Bottom-Up注意力方法得到了广泛应用，并取得了

Hoshino Ren·2023-04-20 09:03

论文-《MUREL: Multimodal Relational Reasoning for Visual Question Answering Remi》笔记

重点翻译拓展摘要：如今在涉及真是图像的VQA任务中，多模态注意力网络时性能最好的，但是这种简单的机制不足以对复杂的推理特征或者高层次的任务进行建模。因此，我们提出了MuRel，一个能在真实图像中学习端到端推理的多模态关系网络。我们的贡献主要有两个：一是引入了MuRel单元，一种通过丰富的向量表示来对问题和图像区域间的交互进行自动推理，和对成对结合区域关系进行建模的结构；二是合并MuRel单元到Mu

Vivinia_Vivinia·2023-04-20 09:00

论文精读1：（网格特征）In Defense of Grid Features for Visual Question Answering（CVPR2020)

马萨诸塞州立大学阿默斯特分校Facebook人工智能研究目录1.Introduction2.RelatedWorkVisualfeaturesforvisionandlanguagetasksPre-trainingforVQARegionsvs.grids.3.FromRegionstoGrids3.1.Bottom-UpAttentionwithRegionsRegionselectionRe

安静到无声·2023-04-20 09:28

Weakly-supervised Grounded Visual Question Answering using Capsules论文笔记

胶囊网络之FoundaReasonforme?Weakly-supervisedGroundedVisualQuestionAnsweringusingCapsules论文笔记一、Abstract二、引言三、相关工作3.1VQA和视觉定位3.2VQA和CLEVR下的视觉推理3.3胶囊网络四、方法4.1问题构成4.2输入的Embedding4.2.1问题embedding4.2.2图像embeddi

乄洛尘·2023-04-19 07:40

WeaQA:Weak Supervision via Captions for Visual Question Answering 论文笔记

WeaQA:WeakSupervisionviaCaptionsforVisualQuestionAnswering论文笔记一、Abstract二、引言三、相关工作3.1VQA中的鲁棒性3.2无监督的QA3.3弱监督学习3.4视觉特征提取四、合成Q-A问题对的框架4.1问题的产生4.1.1基于模板的方法4.1.2提问语义标签4.1.3改述或回译4.2与VQA-V2和GQA相关的领域迁移五、方法5.

乄洛尘·2023-04-19 07:10

VQA2021年之后的方向启蒙：Human-Adversarial Visual Question Answering 论文笔记

VQA2021年之后的方向启蒙：Human-AdversarialVisualQuestionAnswering论文笔记一、Abstract二、引言三、相关工作3.1VQA模型加压测试3.2之前达到饱和的模型3.3对抗性的数据集四、AdVQA4.1Human-AdversarialAnnotationStatistics五、模型评估5.1BaselinesandMethods5.2讨论六、数据集的