[ Skip to the content ]

Institute of Formal and Applied Linguistics

at Faculty of Mathematics and Physics, Charles University, Prague, Czech Republic


[ Back to the navigation ]

Publication


Year 2017
Type in proceedings
Status published
Language English
Author(s) Aghaebrahimian, Ahmad
Title Constrained Deep Answer Sentence Selection
Czech title Omezené Hluboký Výběr Věty
Proceedings 2017: Cham / Heidelberg / New York / Dordrecht / London: TSD 2017: 20th International Conference, TSD 2017 Prague, Czech Republic, August 27–31, 2017 Proceedings
Pages range 57-65
How published print
Supported by 2017 SVV 260 453 (Teoretické základy informatiky a výpočetní lingvistiky) 2016-2019 GAUK 4055/2016 (Spoken Language Understanding in open-domain environment)
Czech abstract Navrhujeme propuštěnou hlubokou neuronovou síť (CDNN) hluboký neuronový model pro výběr věty odpovědi v kontextu systémů QA (Question Answering). Pro vytvoření nejlepších předpovědí kombinuje CDNN neurální uvažování s určitým symbolickým omezením. Integruje techniku přizpůsobení vzoru do vektoru vět učení se. Při výcviku za použití dostatečných vzorků převyšuje CDNN ostatní nejlepší modely pro výběr vět. Ukazujeme, jak se využívají další zdroje Školení může zvýšit výkon CDNN. V dobře studovaném datovém souboru pro výběr věty odpovědi náš model výrazně zlepšuje nejmodernější technologii.
English abstract We propose Constrained Deep Neural Network (CDNN) a deep neural model for answer sentence selection in the context of Question Answering (QA) systems. To produce the best predictions, CDNN combines neural reasoning with a kind of symbolic constraint. It integrates pattern matching technique into sentence vector learning. When trained using enough samples, CDNN outperforms the other best models for sentence selection. We show how the use of other sources of training can enhance the performance of CDNN. In a well-studied dataset for answer sentence selection, our model improves the state-of-the-art significantly
Specialization computer science ("informatika")
Confidentiality default – not confidential
Open access no
Editor(s)* Kamil Ekštein; Václav Matoušek
ISBN* 978-3-319-64205-5
ISSN* 0302-9743
Address* Cham / Heidelberg / New York / Dordrecht / London
Month* August
Publisher* Springer International Publishing
Institution* Masaryk University
Journal* Lecture Notes in Computer Science
Creator: Common Account
Created: 5/18/17 12:15 PM
Modifier: Common Account
Modified: 8/30/17 6:11 AM
***

Content, Design & Functionality: ÚFAL, 2006–2016. Page generated: Sat Nov 18 03:53:30 CET 2017

[ Back to the navigation ] [ Back to the content ]

100% OpenAIRE compliant