answering

论文浅尝 | Question Answering over Freebase

Dong,L.,Wei,F.,Zhou,M.,&Xu,K.(2015).QuestionAnsweringoverFreebasewithMulti-ColumnConvolutionalNeuralNetworks.MeetingoftheAssociationforComputationalLinguisticsandthe,InternationalJointConferenceonNatu
开放知识图谱·2020-07-01 13:18

A Simple End-to-End Question Answering Model for Product Information 论文笔记

本片论文出自（ACL2018）从以下几个方面展开：1.论文目的2.论文创新点3.模型框架1.论文目的正如文章介绍的那样，本篇论文解决的是针对某种电商产品，用户可能会对商品的各个属性有疑问，如果匹配用户的自然语言问题和商品的某个属性名称来得到最后的属性值是本篇文章需要解决的问题2.论文创新点（1）一个新而简单的神经网络a.个人理解新体现在作者在做语义匹配时不是通过简单的共享训练的网络参数（孪生网络）
GrinAndBearIt·2020-07-01 09:20

A Simple and Effective IR Approach to Simple Question Answering over Knowledge Graphs 论文解读

RetrieveandRe-rank:ASimpleandEffectiveIRApproachtoSimpleQuestionAnsweringoverKnowledgeGraphs论文解读本篇论文是18年的EMNLP的一篇paper主要用在kbqa领域，本文章首先介绍他的详细步骤，最后再介绍该文章的创新点一、详细步骤1.Solr+BM25第一步基于query和KB（knowledgebase）
GrinAndBearIt·2020-07-01 09:19

Adversarial Multimodal Network for Movie Question Answering心得体会

利用多模态信息进行可视化问题回答，近年来受到了越来越多的关注。然而，由于视觉内容和自然语言具有截然不同的统计特性，这是一项非常具有挑战性的任务。本文提出了一个称为对抗性多模态网络(AMN)的方法，以更好地理解视频故事的问题回答。在AMN中，受到生成式对抗网络的启发，通过为视频剪辑和相应的文本(例如，字幕和问题)寻找更一致的子空间来学习多模态特征表示。此外，引入了一个自我注意机制来加强所谓的一致性约
untitled713·2020-07-01 05:25

【文献阅读】将VQA视作元学习（Damien Teney等人，ECCV，2018）

文章下载地址：http://openaccess.thecvf.com/content_ECCV_2018/papers/Damien_Teney_Visual_Question_Answering_ECCV
全部梭哈迟早暴富·2020-06-30 12:55

【分享】Community Question Answering Datasets(社区问答数据集)

TherawdataprovidedonInfodumpMetaFilterwebsitearearchivedastextformat,whichhavebeenpreprocessedinto.matversionforfurtherinvestigation.MetaFilterwebsitefeaturefoursubsection:MetaFilter,MetaTalk,MetaMusi
狗熊不偷白菜·2020-06-26 19:38

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

论文链接：Bottom-UpandTop-DownAttentionforImageCaptioningandVisualQuestionAnsweringBottom-UpAttentionModel本文的bottomupattention模型在后面的imagecaption部分和VQA部分都会被用到。这里用的是objectdetection领域的FasterR-CNN方法来提取，详细的就不再说
Jamiechoi·2020-06-26 10:39

Strong Baselines for Simple Question Answering over Knowledge Graphs with and without Neural Network

标签（空格分隔）：自然语言处理简介在简单的神经网络上就能达到较好的效果即使不用神经网络，也能达到较好的效果相关工作一开始的时候人们会把简单问句简化成一个结构化的问句最近的一个数据集已经成为了知识图谱上的问答基线本文并不认为人们已经充分探索了baseline方法论本文将QA问题分为四个部分：实体识别、实体链接、关系预测、证据整合github:https://github.com/castorini/
jiangzhenkang·2020-06-23 21:45

Multi-level Attention Networks for Visual Question Answering论文笔记

Abstract现有方法主要从抽象的低层视觉特征推断答案，而忽略了高层图像语义的建模和丰富的区域空间上下文。为了解决这一问题，作者提出了一个多层次的视觉问题回答注意网络，该网络既可以通过语义注意减少语义鸿沟，并有利于通过视觉注意进行细粒度的空间推理。首先，从卷积神经网络的高层语义中生成语义概念，并选择那些与问题相关的概念作为语义注意。其次，通过双向递归神经网络将CNN的基于区域的中层输出编码成空间
bxg1065283526·2020-03-23 13:25

2017 Gated Self-Matching Networks for Reading Comprehension and Question Answering

2017GatedSelf-MatchingNetworksforReadingComprehensionandQuestionAnswering[1]摘要在本文中，作者提出用于阅读理解类型问答的门控自匹配网络(thegatedself-matchingnetworks)，目的是从一段给定的文章(passage)中进行问题回答。作者先使用基于注意力机制的门控循环神经网络(gatedattentio
Eukaring·2020-03-12 09:37

Template-based Question Answering over RDF Data 笔记

一、摘要先引入问题。由于数据的大量增长，采用直观的途径获取信息越来越重要，问答系统是一个既满足直观性又满足表达能力的折衷方案。然后介绍通用的做法，有什么难点。将问题转化问rdf三元组，去知识库中检索答案，该方式不能很好的表示自然语言问题的语义，很多问题回答不了。接着介绍本文的方法。对问题进行深层语义解析，产生一个sparql查询模板，该模板能完整的映射问题的语义结构。利用统计实体识别和谓词检测等方
蜗牛快跑快跑·2020-03-11 21:20

Bottom-Up and Top-Down Attention for Image Captioning and Visual Question Answering 论文精简翻译

摘要自顶向下的视觉注意机制已广泛应用于imagecaption和VQA中。我们提出了一个自底向上和自顶向下相结合的注意力机制，使注意力能够在物体和其他突出的图像区域的水平上进行计算。在我们的方法中，自底向上的机制(基于FasterR-CNN)提取图像区域，每个区域有一个对应的特征向量，而自顶向下的机制确定特征权重。用这个模型我们获得了2017年VQA挑战赛的第一名。1.介绍视觉注意机制被广泛应用于
二十三冰芒·2020-03-02 11:24

论文阅读：Unsupervised Question Answering by Cloze Translation

文章目录0.摘要1.介绍模型架构2.无监督的EQA2.1文本和答案生成2.2问题生成完形填空生成完形填空转换2.3问答训练一个独立的QA系统：使用后验概率：2.4无监督完形填空转换完形填空语料自然问题语料`Wh*`的启发式：3.实验3.1无监督QA实验3.2消融研究和分析3.3错误分析3.4UNMT-生成问题分析3.5小样本问答4.相关工作5.讨论6.总结FacebookAIResearch发表在
晴晴_Amanda·2020-02-29 23:13

Dynamic Memory Networks for Question Answering over Text and Images

学习做一个工程，，Inordertoachievethisgoal,wefacetwomajorobstacles.ManyNLPtasksusedifferentarchitectures,suchasTreeLSTM(Taietal.,2015)forsentimentanalysis,MemoryNetwork(Westonetal.,2015)forquestionanswering,an
重新出发_砥砺前行·2020-02-17 12:23

用于视觉问答的图形推理网络模型《Graph Reasoning Networks for Visual Question Answering》

目录一、文献摘要介绍二、网络框架介绍三、实验分析四、结论这是视觉问答论文阅读的系列笔记之一，本文有点长，请耐心阅读，定会有收货。如有不足，随时欢迎交流和探讨。一、文献摘要介绍Theinteractionbetweenlanguageandvisualinformationhasbeenemphasizedinvisualquestionanswering(VQA)withthehelpofatte
Tiám青年·2020-01-31 08:38

【论文整理】EMNLP-IJCNLP 2019 Papers Poster & Demo Session Question Answering, Textual Inference

Poster&DemoSessionQuestionAnswering,TextualInferenceandOtherAreasofSemanticsTree-structuredDecodingforSolvingMathWordProblems(#56)PullNet:OpenDomainQuestionAnsweringwithIterativeRetrievalonKnowledgeBa
DrogoZhang·2019-12-14 19:23

Denoising Distantly Supervised Open-Domain Question Answering 阅读笔记

一、写在前面的话上一篇文章提到，针对目前的开放域问答任务都是严重依赖于提前准备好的文章和段落，而不是如同日常生活中海量的文章这一问题，陈丹琦提出了一种开放域自动问答系统(DrQA)。DrQA整体分为两部分，DocumentRetriever用于从海量文章中搜寻相关文章，DocumentReader对这些相关文章的段落做精读。但DocumentRetriever很有可能会引入存在问题提及的信息但其实
freedom_king·2019-11-27 23:18

Relation-Aware Graph Attention Network for Visual Question Answering论文解读

这篇论文的工作不同于现有的VQA系统（并与之兼容）。它以一个新的维度为中心：使用问题自适应的对象间关系丰富图像表示，以提高VQA性能。主要有三方面的贡献：1、我们提出了一种新的基于图形的关系编码器，用于通过图形注意网络学习视觉对象之间的显式和隐式关系。2、学习到的关系是问题自适应的，这意味着它们可以动态地捕捉与每个问题最相关的视觉对象关系。3、我们表明，我们的ReGAT模型是一种通用方法，可以用于
小有名气的可爱鬼·2019-11-18 17:21

用于视觉问答的关系感知图注意力网络模型《Relation-Aware Graph Attention Network for Visual Question Answering》

目录一、文献摘要介绍二、网络框架介绍三、实验分析四、结论本文有点长，请耐心阅读，定会有收货。如有不足，欢迎交流，另附:论文下载地址一、文献摘要介绍Inordertoanswersemantically-complicatedquestionsaboutanimage,aVisualQuestionAnswering(VQA)modelneedstofullyunderstandthevisuals
Tiám青年·2019-11-06 22:42

Android小项目--答题系统

publicclassDBService{privateSQLiteDatabasedb;publicDBService(){db=SQLiteDatabase.openDatabase("/data/data/test.ljh.com.answering
shakesbears·2019-11-03 14:18

Multi-level Attention Networks for Visual Question Answering阅读笔记

Multi-levelAttentionNetworks这个模型可以同时提取高级语义信息和空间信息，模型框架如下所示：该模型分为三个部分，分别是SemanticAttention、Context-awareVisualAttention、JointAttentionLearning。SemanticAttention语义注意的工作是从图像中挖掘重要的概念来回答问题。虽然概念检测器已经从图像中检测到
小镇大爱·2019-10-28 00:52

文献阅读笔记：Unsupervised Question Answering by Cloze Translation

0.背景机构：Facebook作者：PatrickLewis发布地方：arXiv面向任务：问题生成论文地址：https://arxiv.org/abs/1906.04980论文代码：https://github.com/facebookresearch/UnsupervisedQA0.1摘要本文尝试探寻以下2个问题。(1)对于抽取式问答(EQA)，训练数据集的质量要求是怎么样的。(2)无监督的抽取
JasonLiu1919·2019-10-10 09:58

Attentive Interactive Neural Networks for Answer Selection in Community Question Answering简析

AttentiveInteractiveNeuralNetworksforAnswerSelectioninCommunityQuestionAnsweringIntroduction论文区分不同的文本段落，同时设计了一个新颖的注意力交互网络来衡量对于文本段落的关注度。问题与回答的表示先由CNN学习，之后网络架构再学习不同文本段之间的交互。row-wise与column-wise的pooling被
loserChen.·2019-09-06 14:28

An End-to-End Model for Question Answering over Knowledge Base with Cross-Attention Combining Global

AnEnd-to-EndModelforQuestionAnsweringoverKnowledgeBasewithCross-AttentionCombiningGlobalKnowledge2017ACLWQ42.9CandidateGenerationFreebaseAPImethodisabletoresolveasmanyas86%questionsifweusethetop1resul
无知书童·2019-05-13 08:46

《Multi-modal Factorized Bilinear Pooling with Co-Attention Learning for Visual Question Answering》笔记

专业调参20年。。。这是ICCV2017上的一篇文章（文章链接），代码在github上的地址：链接，pytorch版本在这里。文章里面实现的模型结构示意图：项目页的笔记：要使用他们给出的代码的话就要先看下vqa-mcb项目里面的要求，因为代码是基于这个项目开发的。注意因为代码里面的MFB和MCB有点不同，所以caffe版本要用这里给出的，并且要在使用代码的时候禁用掉CuDNN（因为CuDNN还不支
Geek_of_csdn·2019-05-07 23:13

【笔记1-1】基于对话的问答系统CoQA (Conversational Question Answering)

CoQA:AConversationalQuestionAnsweringChallenge（一）论文概述（摘要+简介）（二）目标任务（三）数据收集过程3.1数据收集界面3.2文章选取3.3收集多个答案（四）数据集分析4.1CoQA与SQuAD2.0对比4.2对话流程4.3语言现象（五）模型部分5.1对话模型（PGNet）5.2阅读理解模型（DrQA）5.3模型的组合（六）模型评估6.1评估指标6
jessie_weiqing·2019-03-14 21:24

对话AI--问答系统，阅读理解综述第三部分Question Answering and Machine Reading Comprehension

上篇文章《对话AI–问答系统，阅读理解综述第一部分概述》已经介绍了一些基本的概念，下面就第三部分，问答和机器阅读理解展开[参考文献1]。概要这里主要介绍两种问答：基于知识库的问答——相比传统的SQL查询语句，基于知识库的问答系统不需要复杂的SQL结构，直接根据Query进行语义解析或者是信息抽取，然后再得到结果。基于文档的问答——不同于传统的搜索引擎给出若干个排列结果，其直接给出精确简明的答案。基
梯度下降·2019-01-20 22:09

论文解读：Where To Look: Focus Regions for Visual Question Answering

可能要很久时间开始关注vqa问题，vqa问题就是图像的问答问题，即对图像提问，并产生答案。关于图像问答综述性文章推荐：VisualQuestionAnswering:Datasets,Algorithms,andFutureChallenges。今天开始可能要跟大家分析关于vqa的相关论文解读，今天是第一篇文章WhereToLook:FocusRegionsforVisualQuestionAns
yealxxy·2018-11-21 20:41

VQA（Visual Question Answering）技术

这是一种涉及计算机视觉和自然语言处理的学习任务。初识—定义：AVQAsystemtakesasinputanimageandafree-form,open-ended,natural-languagequestionabouttheimageandproducesanatural-languageanswerastheoutput.翻译下就是：一个VQA系统以一张图片和一个关于这张图片形式自由、开
qAOOAp·2018-10-29 17:26

《Bottom-Up and Top-Down Attention for Image Captioning and Visual Question Answering》

《Bottom-UpandTop-DownAttentionforImageCaptioningandVisualQuestionAnswering》来源：CVPR2018参考CSDN博客：论文笔记：Bottom-UpandTop-DownAttentionforImageCaptioningandVisualQuestionAnsweringblog.csdn.net一、Introduction
黄鑫huangxin·2018-08-16 10:15

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

题目：Bottom-UpandTop-DownAttentionforImageCaptioningandVisualQuestionAnswering作者:PeterAnderson,XiaodongHe,ChrisBuehler,DamienTency论文地址[https://arxiv.org/abs/1707.07998]1.解决的问题ImageCaptioning和VQA2.方法Top-
会唱小星星吗·2018-07-20 10:18

CVPR 2018 Oral：Bottom-Up and Top-Down Attention for Image Captioning and Visual Question Answering

题目：Bottom-UpandTop-DownAttentionforImageCaptioningandVisualQuestionAnswering作者:PeterAnderson,XiaodongHe,ChrisBuehler,DamienTency论文地址[https://arxiv.org/abs/1707.07998]1.解决的问题ImageCaptioning和VQA2.方法Top-
维他柠檬茶好喝吗·2018-07-19 20:56

CVPR 2018 Oral：Bottom-Up and Top-Down Attention for Image Captioning and Visual Question Answering

题目：Bottom-UpandTop-DownAttentionforImageCaptioningandVisualQuestionAnswering作者:PeterAnderson,XiaodongHe,ChrisBuehler,DamienTency论文地址[https://arxiv.org/abs/1707.07998]1.解决的问题ImageCaptioning和VQA2.方法Top-
维他柠檬茶好喝吗·2018-07-19 20:56

【自然语言处理】--视觉问答（Visual Question Answering，VQA）从初始到应用

一、前述视觉问答（VisualQuestionAnswering，VQA），是一种涉及计算机视觉和自然语言处理的学习任务。这一任务的定义如下：AVQAsystemtakesasinputanimageandafree-form,open-ended,natural-languagequestionabouttheimageandproducesanatural-languageanswerasth
L先生AI课堂·2018-07-19 02:00

一个基于chrome扩展的自动答题器

git地址：https://gitee.com/cifang/lighthouse_answering_machine.git2、开发背景去年12月，某省委组织部举办了一系列学习竞赛活动，第一期时，参加人数寥寥
weixin_30822451·2018-06-04 17:00

Reading Note: Gated Self-Matching Networks for Reading Comprehension and Question Answering

AbstractAuthorspresentthegatedself-matchingnetworksforreadingcomprehensionstylequestionanswering,whichaimstoanswerquestionsfromagivenpassage.Firstly,maththequestionandpassagewithgatedattention-basedre
__SeanLiu·2018-02-27 17:26

KBQA: An Online Template Based Question Answering System over Freebase论文的一个翻译

原文地址摘要随着网络的不断发展，百科网页、搜索网页、问答社区等也随之发展，壮大，在这些应用上，机器人的自动回答，智能的答案提示等等应用也相继出现。针对于海量的知识的智能回答系统也发展得很火热。其背后支持的实际技术正是问答系统。问答（QA）是信息检索和自然语言处理（NLP）领域的一门计算机科学学科，它涉及构建能自动回答人类用自然语言提出的问题的系统。[1]QA系统能通过映射，将问题映射到知识库中去，
卓坊·2018-01-28 22:03

【论文笔记】Question Answering with Subgraph Embeddings

一、概要  该文章发于EMNLP2014，作者提出了一个基于Freebase，根据问题中的主题词在知识库中确定候选答案，构建出一个模型来学习问题和候选答案的representation，然后通过这些representation来计算问题和候选答案的相关度来选出正确答案，在不适用词表、规则、句法和依存树解析等条件下，超越了当时最好的结果。二、模型方法2.1数据简介  假设每给一个问题都含有相应的回答
Lawe·2017-11-01 01:26

关于用深度学习做answer selection的论文

最近做question-answering系统，看了几篇相关的论文，涉及到用CNN、LSTM、RNN、Attention等算法，这里做个记录。
飞翔的大马哈鱼·2017-07-07 20:39

论文读书笔记（Multimodal Compact Bilinear Pooling for Visual Question Answering and Visual Grounding）

来源：EMNLP（2016）关键词：MultimodalCompactBilinear(MCB)，VQA问题：视觉问答系统视觉定位系统对于像视觉问答系统、视觉定位系统这样Multimodal任务，需要融合不同类型modal的向量得到一个jointrepresentation。传统的向量融合方式一般是：点乘，点加，全连接。作者认为这些方法不如向量的外积更具有表达性。但是向量的外积会引起维度的急剧增加
Maggie94·2016-09-29 23:51

关于用深度学习做answer selection的论文

最近做question-answering系统，看了几篇相关的论文，涉及到用CNN、LSTM、RNN、Attention等算法，这里做个记录。
Sherry_up·2016-08-03 19:33

R - Answering Queries

R-AnsweringQueriesTimeLimit:3000MSMemoryLimit:32768KB64bitIOFormat:%lld&%lluSubmitStatusDescriptionTheproblemyouneedtosolvehereisprettysimple.Youaregiveafunctionf(A,n),whereAisanarrayofintegersandnist
DTL66·2016-07-24 21:42

lightoj 1369 - Answering Queries 数学

对于所有的i>j都有sum+=a[i]-a[j]，有n个数字q次修改或查询，1代表查询当前sum值，0uv代表a[u]=v;之前做过无修改的，有修改的只是多了一点点操作...对于每个数字来言，他被加上了n-1-2*i次，i从0开始..#include usingnamespacestd; #definelllonglong #defineullunsignedlonglong #definemod
azx736420641·2016-04-13 19:00

1369 - Answering Queries (线段树的单点更新)

1369-AnsweringQueriesPDF(English)StatisticsForumTimeLimit:3second(s)MemoryLimit:32MBTheproblemyouneedtosolvehereisprettysimple.Youaregiveafunctionf(A,n),whereAisanarrayofintegersandnisthenumberofeleme
ZSGG_ACM·2015-12-05 16:00

【翻译】Zakas解答Baranovskiy的JavaScript测验题

原文：http://www.nczonline.net/blog/2010/01/26/answering-baranovskiys-javascript-quiz/ ----------------
·2015-11-13 00:25

LightOJ 1369 - Answering Queries(规律)

1369-AnsweringQueriesPDF(English)StatisticsForumTimeLimit: 3second(s)MemoryLimit: 32MBTheproblemyouneedtosolvehereisprettysimple.Youaregiveafunction f(A,n),where A isanarrayofintegersand n isthenumber
zwj1452267376·2015-11-11 18:00

LightOJ 1369 - Answering Queries （预处理）

1369-AnsweringQueriesDescriptionTheproblemyouneedtosolvehereisprettysimple.Youaregiveafunctionf(A,n),whereAisanarrayofintegersandnisthenumberofelementsinthearray.f(A,n)isdefinedasfollows:long long f( 
helloiamclh·2015-11-09 21:00

lightoj Answering Queries 1369 （数学转换&&技巧）

AnsweringQueriesTimeLimit: 3000MSMemoryLimit: 32768KB64bitIOFormat: %lld&%lluSubmit StatusDescriptionTheproblemyouneedtosolvehereisprettysimple.Youaregiveafunction f(A,n),where A isanarrayofintegersan
yanghui07216·2015-11-08 20:00

Directed Minimum Spanning Tree: Chu-Liu/Edmonds Algorithm

小组长之前研究了Efficiently answering reachability queries on very large directed graphs这篇论文，关于
·2015-11-07 13:11

Why and when using where keyword within a generic class context

make understand the importance of the where keyword used as a part of a generic class context through answering
·2015-10-30 11:20
上一页 1 2 3 4 5 6 下一页
按字母分类： ABCDEFGHIJKLMNOPQRSTUVWXYZ其他