بازیابی سوال نیمه نظارت شده توسط کانولوشن های محصور

قیمت: 43,000 تومان

دانلود رایگان مقاله

خرید ترجمه مقاله

عنوان فارسی

بازیابی سوال نیمه نظارت شده توسط کانولوشن های محصور

عنوان لاتین

Semi-supervised Question Retrieval with Gated Convolutions

تعداد انجمن های سوال و جواب به سرعت در حال افزایش است اما این انجمن ها هیچ توانایی خودکار موثری برای ارجاع و استفاده مجدد از پاسخ های موجود برای سوالات از پیش ارسال شده ندارند. در این مقاله، روشی را برای یافتن سوالات به لحاظ معنایی مرتبط توسعه می دهیم. این کار دشوار است چرا که: 1) قطعات اصلی اطلاعات اغلب به صورت جزئیات فرعی در سوال نهفته است و 2) حاشیه نویسی های موجود در سؤالات مشابه، کمیاب و تقسیم شده اند. ما یک مدل برگشتی کانولوشنی (کانولوشن محصور) را به منظور نگاشت موثر سوالات به بازنمون های معنایی آن ها طراحی می کنیم. این مدل ها از طریق یک چارچوب رمزگذار-رمزگشا (از قسمت بدن به عنوان) بر اساس کلیه اجزای خام از پیش آموزش داده شده و از حاشیه نویسی های محدود به طور متنوعی تنظیم می شوند. ارزیابی ما نشان می دهد که این مدل سود قابل ملاحظه ای نسبت به مدل استاندارد IR و معماری های مختلف شبکه عصبی (از جمله CNN ها، LSTM ها و GRU ها) به دست می دهد.

Question answering forums are rapidly growing in size with no effective automated ability to refer to and reuse answers already available for previous posted questions. In this paper, we develop a methodology for finding semantically related questions. The task is difficult since 1) key pieces of information are often buried in extraneous details in the question body and 2) available annotations on similar questions are scarce and fragmented. We design a recurrent and convolutional model (gated convolution) to effectively map questions to their semantic representations. The models are pre-trained within an encoder-decoder framework (from body to title) on the basis of the entire raw corpus, and fine-tuned discriminatively from limited annotations. Our evaluation demonstrates that our model yields substantial gains over a standard IR baseline and various neural network architectures (including CNNs, LSTMs and GRUs)