Comparative Question Answering System based on Natural Language Processing and Machine Learning

Arora, Rohit; Singh, Parth Raj; Goyal, Hemlata; Singhal, Sunita; Vijayvargiya, Smita

doi:10.1109/icais50930.2021.9396015

Cited by 12 publications

(2 citation statements)

References 15 publications

Supporting

Mentioning

Contrasting

Order By: Relevance

“…p. ex. : Abacha & Demner-Fushman, 2019 ; Arora et al, 2021 ;Duboue & Chu-Carroll, 2006 ;Harabagiu & Hickl, 2006 ;Harabagiu et al, 2003 ;Harabagiu & Moldovan, 2003 ;Molla & Vicedo, 2007 ;Riezler et al, 2007 ;Si et al, 2021 ;Soares & Parreiras, 2020 ;Trivedi et al, 2019 ;Voorhees, 2001).…”

Section: Inférences Et Paraphrasesmentioning

confidence: 99%

Inférences textuelles et constructions à verbes supports

Banyś¹

2022

NEO

View full text Add to dashboard Cite

Pour comprendre le langage naturel, les systèmes automatiques doivent avoir la capacité et la possibilité de savoir ce qui est inféré, et si oui, comment cela est inféré, et à partir de quoi dans un texte. Les implications linguistiquement déterminées imposées par un prédicat sur ses arguments propositionnels, apparaissant dans un texte comme des inférences textuelles, sont, avec d'autres éléments, tels que la connaissance du monde, les hypothèses des locuteurs sur l'utilisation de la langue, les stéréotypes situationnels, les implicatures, etc. l'un des éléments nécessaires pour qu'un système soit considéré comme comprenant le langage naturel. Dans cet article, nous nous concentrons sur l'une des parties importantes des inférences textuelles, qui n'a pratiquement pas été étudiée, à savoir les relations entre une catégorie particulière d'inférences textuelles constituée d'implicatifs phrastiques au sens de Karttunen (2012) et une catégorie particulière d'expressions polylexicales constituée de verbes supports. Nous donnons d'abord une brève introduction à l'état actuel de la description des deux catégories générales : les inférences, dont un type particulier d'inférences : les paraphrases (sec. 1), et les expressions polylexicales avec un type particulier de ces constructions : les verbes supports (sec. 2), ce qui nous permet de présenter les relations entre les verbes supports et les paraphrases (sec. 3). Nous passons ensuite à une discussion sur les implicatifs, y compris les implicatifs phrastiques (sec. 4), au sens de Karttunen (2012) et nous présentons une esquisse de la description de certains types de constructions à verbes supports du point de vue de leur pouvoir implicatif (sec. 5). Les analyses du type présenté sont à poursuivre et doivent être étendues à toutes les constructions du type analysé et font en même temps partie d'un projet beaucoup plus général. Elles sont un début d'une implémentation systématique à faire sur les matériaux français et polonais en corrélation avec l'anglais de la combinatoire des valeurs de vérité, "signatures implicatives", des prédicats, qu'ils soient verbaux, adjectivaux ou nominaux.

show abstract

Section: Inférences Et Paraphrasesmentioning

confidence: 99%

Inférences textuelles et constructions à verbes supports

Banyś¹

2022

NEO

View full text Add to dashboard Cite

show abstract

“…In addition, in combination with the method of extracting keywords where an important word is extracted using the term frequency-inverse document frequency (TF-IDF) algorithm, we can achieve better results [9]. The machine learning approach currently plays a great interest to many researchers due to less human effort required, is highly portable, and is easily applied to many different applications [10]. Commonly used algorithms are support vector machines (SVM) [11], K-nearest neighbors (k-NN) [12], naïve Bayes (NB) [13], artificial neural network (ANN) [14], and deep learning model such as convolutional neural network (CNN) [15], recurrent neural network (RNN) [16].…”

Section: Introductionmentioning

confidence: 99%

Apply deep learning to improve the question analysis model in the Vietnamese question answering system

Phuc

Nghiem²,

Minh³

et al. 2023

IJECE

View full text Add to dashboard Cite

Question answering (QA) system nowadays is quite popular for automated answering purposes, the meaning analysis of the question plays an important role, directly affecting the accuracy of the system. In this article, we propose an improvement for question-answering models by adding more specific question analysis steps, including contextual characteristic analysis, pos-tag analysis, and question-type analysis built on deep learning network architecture. Weights of extracted words through question analysis steps are combined with the best matching 25 (BM25) algorithm to find the best relevant paragraph of text and incorporated into the QA model to find the best and least noisy answer. The dataset for the question analysis step consists of 19,339 labeled questions covering a variety of topics. Results of the question analysis model are combined to train the question-answering model on the data set related to the learning regulations of Industrial University of Ho Chi Minh City. It includes 17,405 pairs of questions and answers for the training set and 1,600 pairs for the test set, where the robustly optimized BERT pre-training approach (RoBERTa) model has an F1-score accuracy of 74%. The model has improved significantly. For long and complex questions, the mode has extracted weights and correctly provided answers based on the question’s contents.

show abstract