ارائه روشی مبتنی بر درک مطلب ماشینی برای پاسخدهی به پرسش های پیچیده چندگامی در سامانه های پرسش و پاسخ

سال انتشار: 1402
نوع سند: مقاله ژورنالی
زبان: فارسی
مشاهده: 84

فایل این مقاله در 14 صفحه با فرمت PDF قابل دریافت می باشد

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این مقاله:

شناسه ملی سند علمی:

JR_JSCIT-12-3_004

تاریخ نمایه سازی: 25 مهر 1403

چکیده مقاله:

سامانه های پرسش وپاسخ به عنوان یکی از مهمترین سامانه های هوشمند توانایی پاسخگویی آنی و صریح به پرسش های ورودی را دارند. یکی از چالش های جدید این سامانه ها، قدرت پاسخگویی به پرسش های پیچیده چندگامی است که نیازمند جمع آوری اطلاعات از چندین سند است. در این مقاله یک روش برای حل چالش پاسخدهی به پرسش های پیچیده چندگامی ارائه می گردد. در این روش، ابتدا در یک فرایند دومرحله ای، اسناد مرتبط با پرسش بازیابی می شوند. سپس برای تسهیل در پاسخ دهی به پرسش، نسبت به استخراج دانش از اسناد بازیابی شده و بازنمایی آن در قالب یک گراف اقدام می گردد، در نهایت و برای یافتن پاسخ پرسش، استدلال  روی گراف با ترکیب شبکه عصبی گرافی نامتجانس و مبدل انجام می پذیرد.به منظور بررسی میزان کارآمدی روش پیشنهادی، این روش و سایر کارهای مرتبط بر روی مجموعه داده دامنه باز هات پات کیوای مورد آزمایش قرار گرفته است. نتایج بدست آمده در پاسخدهی به پرسش بر مبنای معیار اف وان و تطبیق دقیق به ترتیب مقادیر ۸۶٫۵۱ و ۷۸٫۷۱ گزارش شده است که نشانگر برتری این روش نسبت به سایرکارهای مشابه به خود است.

کلیدواژه ها:

سامانه های پرسش و پاسخ ، پرسش پیچیده چندگامی ، درک مطلب ماشینی ، شبکه عصبی گرافی نامتجانس ، مبدل ها

نویسندگان

Aarsh Ghafouri

دانشکده مهندسی کامپیوتر، دانشگاه علم و صنعت ایران، تهران، ایران.

Hassan Naderi

دانشکده مهندسی کامپیوتر، دانشگاه علم و صنعت ایران، تهران، ایران.

Behrooz Minaei Bidgoli

دانشکده مهندسی کامپیوتر، دانشگاه علم و صنعت ایران، تهران، ایران.

مراجع و منابع این مقاله:

لیست زیر مراجع و منابع استفاده شده در این مقاله را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود مقاله لینک شده اند :
  • Rajpurkar P, Zhang J, Lopyrev K, Liang P. SQuAD: ۱۰۰,۰۰۰+ ...
  • Joshi M, Choi E, Weld DS, Zettlemoyer L. TriviaQA: A ...
  • Dunn M, Sagun L, Higgins M, Guney VU, Cirik V, ...
  • Welbl J, Stenetorp P, Riedel S. Constructing Datasets for Multi-hop ...
  • Talmor A, Berant J. Repartitioning of the complexwebquestions dataset. arXiv ...
  • Talmor A, Herzig J, Lourie N, Berant J. CommonsenseQA: A ...
  • Dua D, Wang Y, Dasigi P, Stanovsky G, Singh S, ...
  • Khashabi D, Chaturvedi S, Roth M, Upadhyay S, Roth D. ...
  • Dalvi B, Huang L, Tandon N, Yih WT, Clark P. ...
  • Weston J, Bordes A, Chopra S, Rush AM, Van Merriënboer ...
  • Yang Z, Qi P, Zhang S, Bengio Y, Cohen W, ...
  • Chen W, Zha H, Chen Z, Xiong W, Wang H, ...
  • Mihaylov T, Clark P, Khot T, Sabharwal A. Can a ...
  • Clark C, Gardner M. Simple and Effective Multi-Paragraph Reading Comprehension. ...
  • Qiu L, Xiao Y, Qu Y, Zhou H, Li L, ...
  • Kenton JD, Toutanova LK. Bert: Pre-training of deep bidirectional transformers ...
  • Tu M, Huang K, Wang G, Huang J, He X, ...
  • Zheng C, Kordjamshidi P. SRLGRN: Semantic Role Labeling Graph Reasoning ...
  • Nishida K, Nishida K, Nagata M, Otsuka A, Saito I, ...
  • Min S, Zhong V, Zettlemoyer L, Hajishirzi H. Multi-hop Reading ...
  • Wu, B., Zhang, Z., & Zhao, H. (۲۰۲۱). Graph-free multi-hop ...
  • preprint arXiv:۲۱۰۷.۱۱۸۲۳ ...
  • He, Y., Gorinski, P. J., Staliunaite, I., & Stenetorp, P. ...
  • Zhangyue, Y., Yuxin, W., Xiannian, H., Yiguang, W., Hang, Y., ...
  • He P, Liu X, Gao J, Chen W. DEBERTA: DECODING-ENHANCED ...
  • Kipf TN, Welling M. Semi-Supervised Classification with Graph Convolutional Networks. ...
  • Hamilton W, Ying Z, Leskovec J. Inductive representation learning on ...
  • نمایش کامل مراجع