【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)

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

原文发布于微信公众号 - 专知(Quan_Zhuanzhi)

原文发表时间:2017-11-04

本文参与腾讯云自媒体分享计划,欢迎正在阅读的你也加入,一起分享。

发表于

我来说两句

0 条评论
登录 后参与评论

相关文章

来自专栏专知

【专知荟萃12】信息检索 Information Retrieval 知识资料全集(入门/进阶/综述/代码/专家,附PDF下载)

【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...

4115
来自专栏大数据文摘

美国大选和累犯预测、难民调查算法一览

1544
来自专栏深度学习之tensorflow实战篇

R语言自带的数据文件

R语言有大量的样本数据可以直接用来作为数据分析和挖掘案例,可以收藏着以后用! R:datasets >install.packages("datasets")...

79511
来自专栏华章科技

这是有史以来第一部由人工智能做编剧的电影短片。。。

就在前几天的伦敦科幻电影节的48小时短片制作挑战赛上,导演 Oscar Sharp (奥斯卡·夏普,下文称夏普),和来自纽约大学人工智能领域的研究者 Ross ...

805
来自专栏专知

【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)

【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...

1.3K8
来自专栏DT数据侠

他们揉碎了5000本书籍的数据,曝光了畅销书的成功套路

平时的你是否会通过畅销书榜单挑选图书呢?或许书籍畅销不能代表经典,但在某一时期受到大众欢迎,并且销量出色的书籍,总是会有它成功的理由。

1020
来自专栏专知

【干货】台大李宏毅两个小时带你纵览自然语言处理和语音内容机器理解,附全程视频PPT下载

【导读】李宏毅11月25日在Dosudo硅谷工程师读书会上两个办小时的演讲。 在这次演讲中李宏毅老师以语音机器理解为例纵览自然语言处理各种最新技术。李宏毅老师演...

1.4K5
来自专栏奇点大数据

遗传算法(1)

与其说遗传算法是一个算法,不如说是一种处理问题的思想方式更为恰当,因为遗传算法整个体系说来说去都是在说对于一种问题处理的思路和原则,而不是一个具体的代码编写过...

5307
来自专栏AI科技评论

现场 | ACL Workshop一瞥:产学协同并进

2018年7月15日到20日,计算机语言学的顶级会议 ACL 2018 在澳大利亚的墨尔本召开,7月18日,随着ACL 2018最佳论文奖和终生成就奖的颁奖结束...

1492
来自专栏机器人网

详解喷涂机器人的术语及关键参数

喷涂机器人是可进行自动喷漆或喷涂其他涂料的工业机器人,主要由机器人本体、计算机和相应的控制系统组成,液压驱动的喷漆机器人还包括液压油源,如油泵、油箱和电机等。多...

2804

扫码关注云+社区

领取腾讯云代金券