基于上下文的自动编码图神经网络模型，用于利用自然语言处理（NLP）进行动态问题生成

《ACM Transactions on Asian and Low-Resource Language Information Processing》：Context-Aware Auto-Encoded Graph Neural Model for Dynamic Question Generation using NLP

动态问题生成方法研究

　　

摘要

问题生成是自然语言处理中的一个重要任务，它涉及从给定文本生成问题。本文提出了一种基于上下文感知的自动编码图神经模型的动态问题生成新方法。我们的方法首先构建输入文本的图表示，其中图中的每个节点对应文本中的一个单词或短语，边则表示它们之间的关系。然后，我们使用自动编码器模型来学习图的压缩表示，以捕捉输入文本中的最重要信息。最后，我们利用压缩后的图表示通过动态选择与输入文本上下文相关的节点和边来生成问题。我们在四个基准数据集（SQuAD、Natural Questions、TriviaQA 和 QuAC）上评估了我们的方法，并证明了它在动态问题生成方面优于现有的最先进方法。在实验中，我们使用了四个性能指标来评估结果，即 BLEU、ROUGE、F1 分数和准确率。所提出方法在 SQuAD 数据集上的准确率为 92%，在 QuAC 数据集上为 89%，在 TriviaQA 数据集上为 84%；而在 Natural Questions 数据集上，模型的准确率为 79%。我们的结果表明，使用图神经网络和自动编码器模型可以显著提高自然语言处理中问题生成的准确性和有效性。在这一领域的进一步研究可以开发出更加复杂的模型，从而生成更具上下文相关性和更自然听感的问题。