【论文泛读63】弱监督的开放域问答中的潜在检索（ORQA-开放检索问答）

最新推荐文章于 2023-02-27 15:25:50 发布

及时行樂_

最新推荐文章于 2023-02-27 15:25:50 发布

阅读量640

点赞数 1

CC 4.0 BY-SA版权

分类专栏： # NLP_paper # Bert 论文文章标签： paper qa

本文链接：https://blog.csdn.net/qq_41485273/article/details/116403899

该论文提出了一种新的开放域问答（ORQA）方法，通过弱监督学习同时训练检索器和阅读器，无需依赖IR系统或黄金证据。通过反隐式任务预训练检索器，ORQA在五个开放版数据集上表现良好，尤其在问题反映信息需求时，学习检索至关重要。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

贴一下汇总贴：论文阅读记录

论文链接：《Latent Retrieval for Weakly Supervised Open Domain Question Answering》

一、摘要

关于开放域问答（QA）的最新工作假设对支持证据的严格监督和/或假设使用黑匣子信息检索（IR）系统来检索候选证据。我们认为两者都不是最优的，因为并非总是有黄金证据，而且质量保证与IR根本不同。我们首次展示了可以从问题答案字符串对中共同学习检索者和阅读者，而无需任何IR系统的情况。在这种情况下，将从所有Wikipedia检索的证据视为潜在变量。由于从头开始学习是不切实际的，因此我们使用反隐式任务对检索器进行了预训练。我们评估了五个质量检查数据集的开放版本。在提问者已经知道答案的数据集上，使用传统的IR系统（例如BM25）就足够了。