Question Answering Passage Retrieval and Re-ranking Using N-grams and SVM

Abstract

Over the last few decades, with the meteoric rise of Information Technology, Question Answering (QA) has attracted more attention and has been extremely explored. Indeed, several QA systems are based on a passage retrieval engine which aims to deliver a set of passages that are most likely to contain a relevant response to a question stated in natural language. In an attempt to enhance the performance of existing QASs by increasing the number of generated correct answers and ensure their relevance, we propose a novel approach for retrieving and re-ranking passages based on n-grams and SVM models. The core principle is to first rely on the dependency degree of n-gram words of the query in the passage to retrieve correct passages. Then, an SVM based model is used to improve passage ranking incorporating various lexical, syntactic and semantic similarity measures. Emperical evaluation performed with the CLEF dataset demonstrates the merits of our approach: the results obtained by our implemented system transcend that of other previously proposed ones.

Perangkingan Dokumen Berbahasa Arab berdasarkan Query dengan Metode Klasifikasi Naïve Bayes dan K-Nearest Neighbor

“…Sebagai salah satu objek penelitian dalam bidang temu kembali informasi, Bahasa Arab mempunyai keunikan dibandingkan dengan Bahasa lainnya yaitu morfologi Bahasa Arab yang lebih kaya dan kompleks [2]. Penelitian sebelumnya yang membahas tentang perangkingan dokumen berbahasa inggris telah dilakukan, beberapa diantaranya adalah perangkingan berdasarkan susunan posisi kata dari query [3], perangkingan dengan pencocokan kata berbasis N-gram dan SVM [4], perangkingan dokumen berdasarkan konteks [5]. Sedangkan penelitian tentang dokumen berbahasa Arab yang telah dilakukan sebelumnya antara lain perangkingan informasi atau dokumen berdasarkan pembobotan kata [6], [7].…”

“…Metode yang digunakan untuk melakukan perangkingan dokumen bermacam-macam salah satunya dalam [4] perangkingan dokumen dilakukan dengan meghitung kemiripan katadengan N-gram dan SVM. Sedangkan pada penelitian ini penulis melakukan pendekatan yang lebih sederhana yaitu dengan mengimplementasikan metode klasifikasi Naïve Bayes dan K-Nearest Neighbor (k-NN).…”