【专知荟萃04】自动问答QA知识资料全集(入门/进阶/论文/代码/数据/综述/专家等)(附pdf下载)

2017 年 11 月 3 日 专知 专知内容组

点击上方“专知”关注获取更多AI知识!


【导读】主题荟萃知识是专知的核心功能之一,为用户提供AI领域系统性的知识学习服务。主题荟萃为用户提供全网关于该主题的精华(Awesome)知识资料收录整理,使得AI从业者便捷学习和解决工作问题!在专知人工智能主题知识树基础上,主题荟萃由专业人工编辑和算法工具辅助协作完成,并保持动态更新!另外欢迎对此创作主题荟萃感兴趣的同学,请加入我们专知AI创作者计划,共创共赢! 今天专知为大家呈送第四篇专知主题荟萃-自动问答QA知识资料全集荟萃 (入门/进阶/论文/代码/数据/专家等),请大家查看!专知访问www.zhuanzhi.ai,  或关注微信公众号后台回复" 专知"进入专知,搜索主题“深度学习”查看。欢迎转发分享!此外,我们也提供该文pdf下载链接,请文章末尾查看


了解专知,专知,一个新的认知方式!


  • 自动问答 Question Answering 专知荟萃

    • 入门学习

    • 进阶文章

    • Tutorial

    • 综述

    • 视频教程

    • 代码

    • datasets

    • 领域专家


自动问答 Question Answering 专知荟萃

入门学习

  1. 自动问答系统的类别 冯志伟

    • [http://blog.sina.com.cn/s/blog_72d083c70102du8m.html\]

  2. 基于深度学习的智能问答 周小强 陈清财 曾华军

    • [https://yq.aliyun.com/articles/58745]

  3. 基于知识图谱的电影自动问答系统(一)知识的获取与存储 (二)自动问答实现

    • [http://www.voidcn.com/article/p-hwhmeuje-ym.html]

    • [http://www.voidcn.com/article/p-wylzjird-ym.html]

  4. 客服系统机器人产品设计详解——智能回答

    • [http://www.chanpin100.com/article/105410]

  5. 聊天机器人与自动问答技术

    • [http://blog.csdn.net/heiyeshuwu/article/details/42965693]

  6. 揭开知识库问答KB-QA的面纱

    • [https://zhuanlan.zhihu.com/p/25735572]

  7. Question answering with TensorFlow

    • [https://www.oreilly.com/ideas/question-answering-with-tensorflow]


进阶文章

  1. Towards AI-Complete Question Answering: A set of prerequisite toy tasks

    • [http://arxiv.org/pdf/1502.05698v10.pdf]

  2. Large Scale simple question answering with Memory Networks
    - [https://arxiv.org/pdf/1506.02075v1.pdf]

  3. Ask Me Anything: Dynamic Memory Networks for Natural Language Processing

    • [http://arxiv.org/pdf/1506.07285v5.pdf]

  4. Key-Value Memory Networks for directly understanding documents
    - [https://arxiv.org/pdf/1606.03126v1.pdf]

  5. Semantic Parsing via Staged Query Graph Generation: Question Answering with Knowledge Base

    • [https://www.microsoft.com/en-us/research/wp-content/uploads/2016/02/ACL15-STAGG.pdf]

  6. Value of Semantic Parse Labeling for KBQA

    • [https://www.microsoft.com/en-us/research/wp-content/uploads/2016/08/acl2016-webqsp.pdf]

  7. Question Answering with Subgraph Embeddings

    • [https://arxiv.org/pdf/1406.3676v3.pdf]

  8. Open Question Answering with Weakly Supervised Embedding Models
    - [https://arxiv.org/pdf/1404.4326.pdf]

  9. Learning End-to-End Goal-Oriented dialog

    • [https://arxiv.org/pdf/1605.07683v2.pdf]

  10. End-to-End Memory Networks with Knowledge Carryover for Multi-Turn Spoken Language Understanding

    • [https://www.microsoft.com/en-us/research/wp-content/uploads/2016/06/IS16_ContextualSLU.pdf]

  11. Question Answering over Knowledge Base With Neural Attention Combining Global Knowledge Information

    • [https://arxiv.org/pdf/1606.00979v1.pdf]

  12. Compositional Learning of Embeddings for Relation Paths in Knowledge Bases and Texts

    • [https://www.microsoft.com/en-us/research/wp-content/uploads/2016/06/acl2016relationpaths-1.pdf]

  13. Neural Machine Translation by jointly learning to align and translate
    - [https://arxiv.org/pdf/1409.0473v7.pdf]

  14. Recurrent Neural Network Grammar

    • [https://arxiv.org/pdf/1602.07776v4.pdf]

  15. Neural Turing Machines

    • [https://www.youtube.com/watch?v=_H0i0IhEO2g_)]

  16. Teaching machines to read and comprehend

    • [https://arxiv.org/pdf/1506.03340.pdf]

  17. Applying Deep Learning to answer selection: A study and an open task - [https://arxiv.org/pdf/1508.01585v2.pdf]

  18. Reasoning with Neural Tensor Networks

    • [https://papers.nips.cc/paper/5028-reasoning-with-neural-tensor-networks-for-knowledge-base-completion.pdf]

  19. Hybrid computing using a neural network with dynamic external memory

    • [http://www.nature.com/nature/journal/v538/n7626/full/nature20101.html)]

  20. Gaussian Attention Model and its Application to Knowledge Base Embedding and Question Answering

    • [https://arxiv.org/pdf/1611.02266.pdf]

  21. Gated Graph Sequence Neural Networks

    • [https://arxiv.org/abs/1511.05493]

  22. Sequence to Sequence Learning With Neural Networks

    • [https://papers.nips.cc/paper/5346-sequence-to-sequence-learning-with-neural-networks.pdf]

  23. Neural Conversation Model

    • [https://arxiv.org/pdf/1506.05869v1.pdf]

  24. Query Reduction Networks For Question Answering

    • [https://arxiv.org/pdf/1606.04582.pdf]

  25. Conditional Focused Neural Question Answering with Large-scale Knowledge Bases

    • [https://arxiv.org/pdf/1606.01994.pdf]

  26. Efficiently Answering Technical Questions — A Knowledge Graph Approach

    • [http://wangzhongyuan.com/en/papers/Technical_Questions_Answering.pdf]

  27. An End-to-End Model for Question Answering over Knowledge Base with Cross-Attention Combining Global Knowledge

    • [http://www.nlpr.ia.ac.cn/cip/~liukang/liukangPageFile/ACL2017-Hao.pdf]

  28. Question Generation via Overgenerating Transformations and Ranking (Technical report)

    • [https://www.lti.cs.cmu.edu/sites/default/files/cmulti09013.pdf]

  29. Automation of question generation from sentences

    • [http://www.sadidhasan.com/sadid-QG.pdf]

  30. Good question!statistical ranking for question generation

    • [https://homes.cs.washington.edu/~nasmith/papers/heilman+smith.naacl10.pdf]

  31. Question generation from paragraphs at upenn: Qgstec system description

    • [http://www.aclweb.org/anthology/I11-1104]

  32. Automatically generating questions from queries for community-based question answering

    • [http://www.aclweb.org/anthology/I11-1104]

  33. How to Generate Cloze Questions from Definitions: A Syntactic Approach - [https://www.cs.cmu.edu/~listen/pdfs/gates-2011-aaai-qg.pdf]

  34. Generating natural language questions to support learning on-line
    - [http://www.aclweb.org/anthology/W13-2114]

  35. Deep questions without deep understanding
    - [http://www.aclweb.org/anthology/P15-1086]

  36. Semi-supervised qa with generative domain-adaptive nets

    • [https://pdfs.semanticscholar.org/e8a0/536dc080acd2ca83502dddd0d511ef3fbd8c.pdf]

  37. Leveraging multiple views of text for automatic question generation

    • [http://link.springer.com/chapter/10.1007/978-3-319-19773-9_26]

  38. Revup: Automatic gap-fill question generation from educational texts

    • [http://www.aclweb.org/anthology/W15-0618]

  39. Towards topic-to-question generatio

    • [http://www.mitpressjournals.org/doi/abs/10.1162/COLI_a_00206]

  40. Ranking automatically generated questions using common human queries

    • [http://www.aclweb.org/old_anthology/W/W16/W16-66.pdf#page=233]

  41. Generating quiz questions from knowledge graphs

    • [https://dl.acm.org/citation.cfm?doid=2740908.2742722]

  42. Generating Factoid Questions With Recurrent Neural Networks: The 30M Factoid Question-Answer Corpus

    • [http://arxiv.org/pdf/1603.06807v1.pdf]

  43. Knowledge Questions from Knowledge Graphs

    • [https://arxiv.org/abs/1610.09935]

  44. Machine Comprehension by Text-to-Text Neural Question Generation
    - [http://aclweb.org/anthology/W17-2603]

  45. Question Generation from a Knowledge Base with Web Exploration
    - [https://arxiv.org/pdf/1610.03807.pdf]

  46. On Generating Characteristic-rich Question Sets for QA Evaluation
    - [http://www.aclweb.org/anthology/D/D16/D16-1054.pdf]

  47. Neural Question Generation from Text: A Preliminary Study

    • [https://arxiv.org/pdf/1704.01792.pdf]


Tutorial

  1. Question Answering Become Main Theme of IR Research? 李航 今日头条

    • [http://www.hangli-hl.com/uploads/3/4/4/6/34465961/airs_2016_question_answering.pdf\]

    • [http://lab.toutiao.com/index.php/2017/03/02/huaweilihangwill-question-answering-become-main-theme-of-research-in-information-retrieval.html]

  2. 深度问答技术 中科院自动化所 赵军老师

    • [链接:http://pan.baidu.com/s/1qYJV1Ti 密码:99c4]

  3. 深度学习与智能问答   CCL 2016 Tutorial 刘康 冯岩松

    1. 基于传统符号表示的知识库问答

    2. 基于深度学习的知识库问答

    3. 基于深度学习的对话系统

    4. 基于深度学习的阅读 解

    5. [https://pan.baidu.com/s/1bpDAf8r]

    6. [http://www.cips-cl.org/static/CCL2016/tutorialsT2B.html]

  4. 基于知识的智能问答技术 冯岩松 2017. [http://cips-upload.bj.bcebos.com/2017/ssatt2017/ATT2017-QAI.pdf]

  5. 自动问答、聊天机器人与自然语言理解 中国计算机学会《学科前沿讲习班》 by 严睿 段楠 段楠 熊德意 高剑峰 谢幸 http://tcci.ccf.org.cn/conference/2017/adlnotice.php


综述

  1. 《Speeh and Language Processing》Chapter 28 Question Answering

    • [https://web.stanford.edu/~jurafsky/slp3/28.pdf\]

  2. A Survey of Text Question Answering Techniques. Poonam Gupta,Vishal Gupta

    • [http://citeseerx.ist.psu.edu/viewdoc/download?doi=10.1.1.258.7801&rep=rep1&type=pdf]

  3. Question Answering Systems: Survey and Trends

    • [http://www.sciencedirect.com/science/article/pii/S1877050915034663]

  4. The Question Answering Systems: A Survey

    • [https://www.researchgate.net/publication/311425566_The_Question_Answering_Systems_A_Survey\]

  5. 面向知识自动化的自动问答研究进展
    [http://www.aas.net.cn/CN/10.16383/j.aas.2017.c160667]

  6. 自动问答综述 2002年 by 郑实福,刘挺,秦兵,李生 [http://jcip.cipsc.org.cn/CN/abstract/abstract1282.shtml]

  7. 基于 Web 的问答系统综述 2017 李舟军李水华 [http://www.jsjkx.com/jsjkx/ch/reader/create_pdf.aspx?file_no=20170601&flag=&journal_id=jsjkx&year_id=2017\]


视频教程

  1. 深度学习在自动问答系统中的应用 李成华

    • [http://www.infoq.com/cn/presentations/deep-learing-on-automatic-question-answering-system]


代码

  1. MemNN Impl Matlab

    • [https://github.com/facebook/MemNN]

  2. Key Value MemNN

    • [https://github.com/siyuanzhao/key-value-memory-networks]

  3. Quepy

    • [https://github.com/machinalis/quepy]

  4. NLQuery

    • [https://github.com/ayoungprogrammer/nlquery]

  5. ParlAI

    • [https://github.com/facebookresearch/ParlAI]

  6. flask-chatterbot

    • [https://github.com/chamkank/flask-chatterbot]

  7. Learning to Rank short text pairs with CNN SIGIR 2015

    • [https://github.com/shashankg7/Keras-CNN-QA]

  8. TextKBQA

    • [https://github.com/rajarshd/TextKBQA]

  9. BiAttnFlow

    • [https://github.com/allenai/bi-att-flow]


Datasets

  1. SQuAD The Stanford Question Answering Dataset

    • [https://rajpurkar.github.io/SQuAD-explorer/]

  2. CNN QA Task (Teaching Machines to Read & Comprehend)

    • [https://github.com/deepmind/rc-data/]

  3. WebQuestions

    • [http://nlp.stanford.edu/software/sempre/]

  4. Simple Questions

    • [https://research.facebook.com/research/babi]

  5. Movie QA

    • [https://research.facebook.com/research/babi/]

  6. WebQuestionsSP

    • [https://www.microsoft.com/en-us/download/details.aspx?id=52763]

  7. WikiQA

    • [https://www.microsoft.com/en-us/research/wp-content/uploads/2016/02/YangYihMeek_EMNLP-15_WikiQA.pdf]

  8. Kaggle AllenAI Challenge

    • [https://www.kaggle.com/c/the-allen-ai-science-challenge]

  9. MC Test, Machine Comprehension Test Microsoft 2013

    • [http://research.microsoft.com/en-us/um/redmond/projects/mctest/]

  10. MSR Sentence Completion Challenge

    • [https://www.microsoft.com/en-us/research/project/msr-sentence-completion-challenge/]

  11. Dialog State Tracking Challenge

    • [http://camdial.org/~mh521/dstc/]

  12. QA dataset featured in Teaching Machines to Read and Comprehend

    • [https://github.com/deepmind/rc-data/]

  13. WebNav

    • [https://github.com/nyu-dl/WebNav/blob/master/README.md]

  14. Stanford Question Answering Dataset

    • [https://rajpurkar.github.io/SQuAD-explorer/]

  15. FB15K Knowledge Base

    • [https://www.microsoft.com/en-us/download/details.aspx?id=52312]

  16. WikiQA

    • [http://aka.ms/WikiQA)]

  17. Quora Duplicate Questions Dataset

    • [https://data.quora.com/)]

  18. Query Reformulator Dataset Jeopardy etc

    • [https://github.com/nyu-dl/QueryReformulator)]

  19. Quiz Bowl Questions

    • [https://www.cs.colorado.edu/~jbg/projects/IIS-1320538.html#Datasets]

  20. WebQA-Chinese

    • [http://idl.baidu.com/WebQA.html]

  21. Chat corpus

    • [https://github.com/Marsan-Ma/chat_corpus]

  22. DeepMind Q&A Dataset - [http://cs.nyu.edu/~kcho/DMQA/]

  23. WebQuestions - [https://worksheets.codalab.org/worksheets/0xba659fe363cb46e7a505c5b6a774dc8a/#]

  24. WebQA

    • http://idl.baidu.com/WebQA.html

  25. GraphQuestions

    • https://github.com/ysu1989/GraphQuestions


领域专家

  1. 刘康博士,中科院自动化所模式识别国家重点实验室副研究员,中国中文信息学会青年工作委员会执行委员。研究领域包括信息抽取、网络挖掘、问答系统等,同时也涉及模式识别与机器学习方面的基础研究。在自然语言处理、知识工程等领域国际重要会议和期刊发表论文三十余篇(如TKDE、ACL、IJCAI、EMNLP、COLING、CIKM等),曾获KDD CUP 2011 Track2 全球亚军,COLING 2014最佳论文奖,首届“CCF-腾讯犀牛鸟基金卓越奖”、2014年度中国中文信息学会“钱伟长中文信息处理科学技术奖-汉王青年创新一等奖”、2015 Google Focused Research Award等。       - 个人主页:http://www.nlpr.ia.ac.cn/cip/~liukang/index.html

  2.  冯岩松博士,北京大学计算机科学与技术研究所讲师。2011年毕业于英国爱丁堡大学,获得信息科学博士学位。主要研究方向包括自然语言处理、信息抽取以及机器学习在自然语言处理中的应用;已连续三年在面向结构化知识库的知识问答评测QALD-4, 5, 6中获得第一名;相关工作已发表在TPAMI、ACL、EMNLP等主流期刊与会议上。同时,作为项目负责人或课题骨干已承担多项国家自然科学基金及科技部863计划项目。分别在 2014 和 2015 年获得 IBM Faculty Award。       - 个人主页:https://sites.google.com/site/ysfeng/home 

  3. 严睿,北京大学研究员,前百度公司资深研发,华中师范大学与中央财经大学客座教授与校外导师。主持研发多个开放领域对话系统和服务类对话系统,发表高水平研究论文近50篇,担任多个学术会议(KDD, SIGIR, ACL, WWW, AAAI, CIKM, EMNLP等)的(高级)程序委员会委员及审稿人。

    • [http://59.108.48.5/wip/team/teacher/zh/yanrui]

  4. 段楠博士,微软亚洲研究院自然语言计算组主管研究员,长期从事自动问答、对话系统、语义理解、文本生成和网络搜索等自然语言处理研究。段楠博士的多项研究成果已经转化到微软重要人工智能产品中,例如必应搜索、微软小冰、Cortana语音助手等。自2015年起,段楠博士开始担任NLPCC开放领域中文自动问答评测的负责人。 [https://www.microsoft.com/en-us/research/people/nanduan/]

  5. 高剑峰是微软合伙人,微软Redmond总部人工智能部门的研究经理(Partner Research Manager)。他致力于深度学习在文本和图像处理方面的研发,领导机器阅读理解、问答、对话方面的研究和人工智能系统开发,以及微软新一代商务人工智能系统的研发。6. 谢幸博士于2001年7月加入微软亚洲研究院,现任社会计算组高级主任研究员,并任中国科技大学兼职博士生导师。他分别于1996年和2001年在中国科技大学获得计算机软件专业学士和博士学位。目前,他的团队在数据挖掘、社会计算和普适计算等领域展开创新性的研究。 [https://www.microsoft.com/en-us/research/people/jfgao/]

  6. 谢幸,微软亚洲研究院,任社会计算组高级主任研究员,并任中国科技大学兼职博士生导师。目前,他的团队在数据挖掘、社会计算和普适计算等领域展开创新性的研究。他是ACM、IEEE高级会员和计算机学会杰出会员,多次担任顶级国际会议程序委员会委员和领域主席等职位。 [https://www.microsoft.com/en-us/research/people/xingx/]

  7. Percy Liang 斯坦福大学计算机系助理教授、斯坦福人工智能实验室成员 [https://cs.stanford.edu/~pliang/\]

  8. 赵军 博导 中国科学院自动化研究所 http://people.ucas.ac.cn/~zhaojun

  9. 黄民烈 清华大学http://www.tsinghua.edu.cn/publish/cs/4616/2013/20131122151220708543803/20131122151220708543803_.html



汇总不全面,欢迎补全和提建议,敬请关注http://www.zhuanzhi.ai 和关注专知公众号,获取第一手AI相关知识


特注:

最新更新,请登录www.zhuanzhi.ai或者点击阅读原文,顶端搜索“ 自动问答” 主题,查看获得自动问答专知荟萃全集知识等资料!如下图所示~ 


此外,请关注专知公众号(扫一扫最下面专知二维码,或者点击上方蓝色专知),

  • 后台回复“QA” 或者“自动问答”就可以获取专知自动问答荟萃知识资料pdf下载链接~~


更多专知荟萃知识资料全集获取,请查看:

【专知荟萃01】深度学习知识资料大全集(入门/进阶/论文/代码/数据/综述/领域专家等)(附pdf下载)

【专知荟萃02】自然语言处理NLP知识资料大全集(入门/进阶/论文/Toolkit/数据/综述/专家等)(附pdf下载)

【专知荟萃03】知识图谱KG知识资料全集(入门/进阶/论文/代码/数据/综述/专家等)(附pdf下载)

【干货荟萃】机器学习&深度学习知识资料大全集(一)(论文/教程/代码/书籍/数据/课程等)

【GAN货】生成对抗网络知识资料全集(论文/代码/教程/视频/文章等)

【干货】Google GAN之父Ian Goodfellow ICCV2017演讲:解读生成对抗网络的原理与应用

【AlphaGoZero核心技术】深度强化学习知识资料全集(论文/代码/教程/视频/文章等)


欢迎转发到你的微信群和朋友圈,分享专业AI知识!

请扫描小助手,加入专知人工智能群,交流分享~

获取更多关于机器学习以及人工智能知识资料,请访问www.zhuanzhi.ai,  或者点击阅读原文,即可得到!

-END-

欢迎使用专知

专知,一个新的认知方式!目前聚焦在人工智能领域为AI从业者提供专业可信的知识分发服务, 包括主题定制、主题链路、搜索发现等服务,帮你又好又快找到所需知识。


使用方法>>访问www.zhuanzhi.ai, 或点击文章下方“阅读原文”即可访问专知


中国科学院自动化研究所专知团队

@2017 专知

专 · 知

关注我们的公众号,获取最新关于专知以及人工智能的资讯、技术、算法、深度干货等内容。扫一扫下方关注我们的微信公众号。


点击“阅读原文”,使用专知


登录查看更多
52

相关内容

自动问答(Question Answering, QA)是指利用计算机自动回答用户所提出的问题以满足用户知识需求的任务。不同于现有搜索引擎,问答系统是信息服务的一种高级形式,系统返回用户的不再是基于关键词匹配排序的文档列表,而是精准的自然语言答案。近年来,随着人工智能的飞速发展,自动问答已经成为倍受关注且发展前景广泛的研究方向。

知识荟萃

精品入门和进阶教程、论文和代码整理等

更多

查看相关VIP内容、论文、资讯等
【DeepMind推荐】居家学习的人工智能干货资源大全集
专知会员服务
106+阅读 · 2020年6月27日
一份简明有趣的Python学习教程,42页pdf
专知会员服务
76+阅读 · 2020年6月22日
干净的数据:数据清洗入门与实践,204页pdf
专知会员服务
159+阅读 · 2020年5月14日
AAAI2020接受论文列表,1591篇论文目录全集
专知会员服务
98+阅读 · 2020年1月12日
2019->2020必看的十篇「深度学习领域综述」论文
专知会员服务
269+阅读 · 2020年1月1日
【开源书】PyTorch深度学习起步,零基础入门(附pdf下载)
专知会员服务
107+阅读 · 2019年10月26日
强化学习最新教程,17页pdf
专知会员服务
166+阅读 · 2019年10月11日
A survey on deep hashing for image retrieval
Arxiv
14+阅读 · 2020年6月10日
Few-shot Learning: A Survey
Arxiv
362+阅读 · 2019年4月10日
Arxiv
11+阅读 · 2018年9月28日
Arxiv
6+阅读 · 2018年4月21日
VIP会员
相关VIP内容
【DeepMind推荐】居家学习的人工智能干货资源大全集
专知会员服务
106+阅读 · 2020年6月27日
一份简明有趣的Python学习教程,42页pdf
专知会员服务
76+阅读 · 2020年6月22日
干净的数据:数据清洗入门与实践,204页pdf
专知会员服务
159+阅读 · 2020年5月14日
AAAI2020接受论文列表,1591篇论文目录全集
专知会员服务
98+阅读 · 2020年1月12日
2019->2020必看的十篇「深度学习领域综述」论文
专知会员服务
269+阅读 · 2020年1月1日
【开源书】PyTorch深度学习起步,零基础入门(附pdf下载)
专知会员服务
107+阅读 · 2019年10月26日
强化学习最新教程,17页pdf
专知会员服务
166+阅读 · 2019年10月11日
相关资讯
Top
微信扫码咨询专知VIP会员