- 综合排序
- 最热优先
- 最新优先
- 来自专栏我还不懂对话
【问答对话】kbqa？开放域问答怎么有知识地生成
问答是对话的重要任务之一，封闭的垂直领域可以构建问题库，通过检索召回、排序的方式回答，然而到了开放域，怎么既利用外部知识，又能够应对多样的问题，前有kbqa，利用结构化的知识库和语义链接，然而这是最优的么 而最近流行的大模型，如GPT-3也在开放域问答上有一定的能力，那么如何在大的语言模型基础上融合知识呢，其实主要面临两个问题，1）检索什么知识，怎么检索。2）怎么讲检索知识加入。 在DPR基础上， RAG通过利用DPRetriever+BART来做问答，它能够用到预训练的语言模型（BART）和非参数memory（检索知识的dense vector）来生成。 EACL, Leveraging Passage Retrieval with Generative Models for Open Domain Question Answering大模型能够在开发域的知识问答取得不错效果 本文通过检索方式引入文本知识（可能包含潜在的有用信息），取得了问答的SOTA。
1.4K100编辑于 2022-09-06 - 来自专栏算法码上来
Facebook刷新开放域问答SOTA：模型训模型！Reader当Teacher！
陈丹琦的DrQA[2]可以说是利用深度学习解决开放域问答的开山鼻祖了。我们也暂且将目光聚焦在这类开放域问答任务：基于一个巨大的文本库（例如维基百科）建立自动回答知识型问题的系统。 今天，我们来看一篇开放域问答系统的最新SOTA。 Facebook在这篇paper中提出：在开放域问答中，阅读理解模型的注意力权重可以提供更好的检索模型训练信号，该方法刷新了开放域问答系统的SOTA，同时在EffcientQA榜单上刷新了6GB量级模型的记录 最开始，DrQA[2]将基于TF-IDF的词频算法用作检索模型，与当时的SOTA阅读模型结合，得到了开放域问答系统的雏形。 总结 本文利用生成式阅读器中的注意力权重作为相似度信息训练检索模型，刷新了开放域问答系统的SOTA。该方法简单有效地解决了开放域问答系统中训练检索模型缺乏标注数据的问题，为研究者们提供了新思路。
1.2K10发布于 2021-02-24 - 来自专栏SimpleAI
文本检索、开放域问答与Dense Passage Retrieval (EMNLP-20)
of Washington, Princeton University 链接：https://readpaper.com/paper/3099700870 一句话总结： 一个很好的文本检索（IR）、问答 开放域问答一般分两步——检索和阅读理解，本文提出的DPR是一个高效的基于语义匹配的检索模型，从而提高整体QA的效果，该思路对后续的对比学习的一系列工作都有启发。 Open-domain question answering (QA) QA可以分为Close-domain QA和Open-domain QA，前者一般限制在某个特定领域，有一个给定的该领域的知识库，比如医院里的问答机器人 实验设置&数据集 Knowledge Source 知识库，就是我们open-domain QA使用什么语料库来进行问答。本文选用Wikipedia，这也是最常用的设定。
2.8K30编辑于 2022-03-28 - 来自专栏量子位
Facebook开源问答系统DrQA：基于单一信源回答开放域提问
DrQA是一个开放域问答系统。 关于DrQA，Facebook还发表了一篇论文《Reading Wikipedia to Answer Open-Domain Questions（阅读维基百科来回答开放域问题）》。 △ DrQA系统架构 这篇论文提出使用维基百科作为唯一的知识来源，以解决开放域问答。任何事实性提问的答案，都是来自维基百科中的内容。 开源代码 Facebook已经把DrQA问答系统的PyTorch实现公布在GitHub上。 另外，Facebook还提供了预训练的模型，以及维基百科问答数据。这部分内容大小为7.5GB，解压之后约为25GB大小。
1.2K70发布于 2018-03-28 SRE-面试问答模拟-开放问答话题
SRE（Site Reliability Engineering）和可观测性是运维工作中的关键理念，这些问题涵盖了不同层次的运维实践和理念。以下是对部分问题的简要回答：
54510编辑于 2024-09-07- 来自专栏磐创AI技术团队的专栏
DrQA基于维基百科数据的开放域问答机器人实战教程
作者 | fendouai 编辑 | 磐石 【磐创AI导读】：本文主要向大家推荐一个开放域问答机器人的实战项目。欢迎大家点击上方蓝字关注我们的公众号：磐创AI。 DrQA 是一个基于维基百科数据的开放域问答系统，它由检索器和阅读器组成。其中检索器用于从海量的文本（例如维基百科）中获得相关的文章；阅读器用于从文章中获得相应的答案。 一 . 官方介绍 DrQA是一个应用于开放域问答的阅读理解系统。特别是，DrQA的目标是“大规模机读”（MRS）。在这个设定中，我们在可能非常大的非结构化文档集中搜索问题的答案。
87910发布于 2018-08-03 - 来自专栏深度学习自然语言处理
【ACL 2021】开放域对话结构发现
然而，当前在开放域对话下，这一问题仍然缺乏研究。在本文中，我们从聊天语料库中无监督地学习离散对话结构，然后利用该结构来促进连贯的对话生成。 进一步的，我们在两个基准语料库上进行实验，结果表明DVAE-GNN能够发现有意义的对话结构图，且使用对话结构作为背景知识可以显著提高开放域对话的多轮连贯性。 2. 方法 本文首先设计了一个自监督的对话结构图发现模型；进一步地，本文设计基于对话结构图的开放域多轮对话模型用于验证所发现结构的有效性。 在这项工作中，因为之前很少有关于自监督开放域对话图发现的研究，本文选择任务完成对话下的DVRNN【3】模型作为基线。DVRNN是在面向任务的对话中发现对话图的当前最好方法。
96340发布于 2021-08-12 - 来自专栏深度学习自然语言处理
开放域信息抽取最新动向
开放域信息抽取是信息抽取任务的另一个分支任务，其中抽取的谓语和实体并不是特定的领域，也并没有提前定义好实体类别。 更一般的，开放域信息抽取的目的是抽取出所有输入的文本中的形如 <主语，谓语，宾语> 的三元组。开放域信息抽取对于知识的构建至关重要，可以减少人工标注的成本和时间。 本次Fudan DISC实验室将分享EMNLP2020中关于开放域信息抽取和文本知识结构化的3篇论文，介绍最新的开放域信息抽取的研究。 文章概览 关于开放域信息抽取神经网络结构和训练方式的系统比较 (Systematic Comparison of Neural Architectures and Training Approaches 任务定义 现有的OpenIE的任务定义主要分为两种：1）序列标注、2）子序列提取 其中序列标注框架最为常见，下图为用序列标注任务设定的开放域信息抽取。例子中一共有7类标签 ?
2.7K30发布于 2021-04-25 - 来自专栏自然语言处理(NLP)论文速递
开放问答 | 「国立台湾大学」提出ConvADR-QA框架大幅提升问答效果（含源码）
引言 开放式对话问答可以被视为两种任务：段落检索和对话问答，前者依赖于从大型语料库中选择候选段落，后者需要更好地理解问题的上下文来给出答案。 针对开放式问答，本文提出ConvADR-QA框架方法，即利用历史答案提高检索性能，从而提升问答效果。在基准数据集OR-QuAC上的实验结果表明，在检索和问答生成阶段下都优于现有的基线模型。 为了解决这一问题，研究人员将CQA方案扩展到开放域，其中包含答案信息的文档必须从一个大型候选池中检索。在开放域场景中，通常有数百万个候选文档，使得传统的联合编码查询和文档的方法不可用。 ConvADR-QA框架方法 图片 开放域CQA的难点在于当前问题通常需要之前对话的上下文信息，这使得系统比开放域QA任务更难捕获潜在的信息。 「之前关于开放域对话检索的工作着重将当前问题和历史问题连在一起而并没有将问题答案考虑进来」。本文则指出，历史答案也可以为当前问题提供重要的信息输入来获得答案。
49520编辑于 2022-12-06 - 来自专栏媒矿工厂
DynamiCrafter: 利用扩散先验的开放域图片动画化
训练细节 Evaluation 定量实验 定性分析 消融实验 双路图片注入 训练策略 文字指导运动控制的讨论 其他应用 贡献点 通过利用视频扩散先验，为开放领域图像的动画化引入了一种新方法，显著优于现有的方法 首次研究了基于文本的运动控制用于开放领域图像动画化，并展示了概念验证。
1K20编辑于 2024-05-11 - 来自专栏web前端教室
先行者~问答栏目，今晚面向先行者计划成员开放
我在里面创建了几个栏目，其中的“先行者~问答”栏目，今晚开放。 相应的二维码已经已经发到了咱们的先行者微信群里， ? 在“问答栏目”中各种问题都可以提出来，我会在这里回答。 所以就在这里开一个问答的栏目，期望能够一些属于咱们先行者计划的沉淀与积累。 现在我已经在里面回答了第一个问题， ?
43230发布于 2018-10-08 Open Vocabulary Object Detection 部署开放域目标检测模型使用感受
一、Open Vocabulary Object Detection介绍 Open Vocabulary Object Detection (OpenVOD) 是一种新型的目标检测方法，它使用开放词汇的概念来识别和检测图像中的对象 OpenVOD的优势在于其开放性和可扩展性。用户可以自由地定义新的对象类别和词汇，而无需修改检测器的内部结构或参数。此外，OpenVOD还可以通过集成不同的特征提取器和分类器来提高检测性能。 二、使用感受 部署开放域目标检测模型使用总体感觉比较水，因为我随便弄图片检测很多都没检测出来，他有个提示词，输入person还不行，它需要a person才行，而且很多人都检测不出来，不仅仅这个类别，很多场景检测都很差
29210编辑于 2025-07-17- 来自专栏AI科技评论
中科院赵军：开放域事件抽取 | CCF-GAIR 2018
以下是赵军教授发表的题为「开放域事件抽取」的演讲全文，雷锋网 AI 科技评论在赵军教授的帮助下，做了不改变原意的整理与编辑： 非常感谢刘挺老师和 CCF-GAIR 2018 大会的邀请。 刚才，我主要讲解的是开放域的事件的抽取。我们先了解什么是开放域，在谈到开放域之前，来看看传统的关键抽取是什么样子的。传统的叫预定义的关系抽取。 那么为什么要研究开放域关系抽取呢？ 在这方面，国际上有两个有代表性的开放域关系提取的研究方法，一个是基于句法的方法，一个是基于知识监督的方法。 今天我大概讲了这几个事情：知识图谱很重要，事件图谱是知识图谱中很重要的类型，为了建立事件图谱，我们需要研究开放域关系抽取，开放域事件抽取等等，其实可以在这方面做出很多有意思的工作，也可以有很多的应用，是一种很有潜力的方法
1.7K40发布于 2018-07-27 - 来自专栏音视频咖
深入布局视频制作域产品矩阵，腾讯视频云加速能力开放
近年来，优质视频内容呈井喷式爆发，如何提高视频内容的产出效率，成为行业加速发展的关键。为助力视频制作方提高产出效能，腾讯视频云在视频制作领域，一次性打包推出了云导播台、腾讯云剪、腾讯智眸三款产品，全程参与视频制作过程，助力视频制作方加速内容产出。 1 线下导播移至线上，云导播台节省视频制作成本 为了满足视频行业追求高效、低成本的节目制作需求，腾讯视频云推出云导播台产品，将线下导播转移至线上，省去切换台、录机等笨重且繁琐的硬件，降低视频制作成本。 借助云导播台，用户可以对多路直播流进行编辑处理。通过简单的页
4.8K21发布于 2019-05-31 探索adp-claw结合adp，实现企业私域汽车知识的知识问答
一、在ADP新建应用并发布（私域汽车知识问答）新建应用导入知识详细可参考：腾讯云智能体开发平台文档l新建该应用l导入知识并发布汽车使用手册样例.pdfl记录bot_app_keybot_app_key:
47130编辑于 2026-03-10- 来自专栏AI科技评论
EMNLP 2020 | 开放域对话系统的属性一致性识别
简介 一致性问题是当前开放域对话面临的主要问题之一。 实验结果表明，属性一致性识别模型有助于提高开放域对话回复的一致性。 2 背景：对话生成 VS 对话理解 开放域对话生成任务旨在根据根据对话历史生成连贯、合理、有趣的对话回复[5]。 我们相信KvPI数据集能够帮助未来的工作更好地研究开放域对话中属性一致性的问题；同时，由于KvPI数据集提供了单轮对话及对应的一致性标注信息，从而为利用对话理解模型辅助对话生成模型的相关研究提供了数据平台
1.2K20发布于 2020-11-23 - 来自专栏机器之心
NeurIPS 2022 | 开放域检测新方法DetCLIP，推理效率提升20倍
机器之心专栏 机器之心编辑部 本文中，来自华为诺亚方舟实验室、中山大学、香港科技大学的研究者对开放域检测问题进行了研究，他们提出了一种针对多数据源联合高效的并行训练框架，同时构建了额外的知识库来提供类别间的隐式关系 开放域检测问题，指的是在上游利用大量网上爬取的图文对或一定类别的人工标注数据进行训练，如何在下游场景上实现任意类别检测的问题。 开放域检测方法在产业界的应用主要包括自动驾驶系统路面物体检测，云端全场景检测等。 问题介绍 随着使用基于网上爬取的图片文本对训练的多模态预训练模型 (如 CLIP) 的流行，以及其在 zero-shot 分类领域体现出的卓越性能，越来越多的方法尝试将这种能力迁移至开放域的 dense 图 2：DetCLIP 模型框架 如图 2 右上及左上所示，本文的主要创新点是 1）提出以并行输入处理多数据源物体 - 文本联合训练的框架，优化训练效率；2）构建一个额外的物体知识库辅助开放域检测训练。
1.1K10编辑于 2022-12-15 - 来自专栏AI科技评论
动态 | 搜狗携手自动化所提出新的开放领域问答机器阅读算法
AI 科技评论按：近年来，随着机器阅读理解技术的发展，越来越多的开放域问答方法采用了机器阅读理解技术生成答案。 搜狗公司 & 中科院自动化所在信息检索领域顶级会议 SIGIR 2019 （CCF A 类会议）中联合提出了一个基于文档门控机制的阅读算法，并将其用在开放域问答中，在很多开放域问答应用中取得了最好的效果 基于机器阅读理解的开放域问答 开放域问答（open-domain question answering）技术旨在给定任意类型的问题后，从任意资源中取得答案。 传统的开放域问答大多采用 pipeline 的方式，即先通过检索系统找到跟问题相关的文档，再通过问答技术从文档中产生答案。 最近几年，随着机器阅读理解技术的发展，越来越多开放域问答的方法引入机器阅读理解技术来抽取答案。例如，在 ACL2017 上斯坦福大学提出了一种神经开放域问答框架，如下图： ?
68730发布于 2019-05-15 - 来自专栏Owen's World
redis 问答
数据结构：缺乏广泛的数据结构支持，比如支持范围查询的 SkipList 和 Stream 等数据结构。
60710编辑于 2021-12-07 - 来自专栏Java实战博客
Spring 问答
答：IOC/DI：分别是控制反转、依赖注入（ depency injection ）作用是解耦 DI是IOC具体体现形式 AOP面向切面编程
34910编辑于 2022-01-17
腾讯云开发者
Copyright © 2013 - 2026 Tencent Cloud. All Rights Reserved. 腾讯云 版权所有
深圳市腾讯计算机系统有限公司 ICP备案/许可证号：粤B2-20090059 
粤公网安备44030502008569号
腾讯云计算（北京）有限责任公司 京ICP证150476号 | 京ICP备11018762号