A deep reinforcement learning approach to complex open-domain question answering (2023)
- Authors:
- Autor USP: CAÇÃO, FLÁVIO NAKASATO - EP
- Unidade: EP
- Sigla do Departamento: PCS
- Subjects: PROCESSAMENTO DE LINGUAGEM NATURAL; APRENDIZAGEM PROFUNDA; APRENDIZADO COMPUTACIONAL
- Agências de fomento:
- Language: Inglês
- Abstract: Recentemente, modelos compostos por apenas módulos neurais de Recuperação de Informação e Compreensão de Leitura de Máquina/Gerador de Texto baseados em modelos de linguagem pré-treinados alcançaram o estado da arte em vários conjuntos de dados desafiadores de processamento de linguagem natural. No entanto, ainda há espaço significativo para melhorias na capacidade de raciocínio desses sistemas, especialmente no domínio de perguntas e respostas complexas de domínio aberto (CODQA - Complex Open-Domain Question Answering). Neste projeto, propomos uma arquitetura que combina as principais características desses modelos dentro de uma configuração de Aprendizado por Reforço, com a capacidade extra de realizar múltiplos saltos entre documentos para responder às perguntas dos usuários. Um sistema com esta capacidade é fundamental para construir agentes conversacionais capazes de responder a perguntas complexas que requerem múltiplas consultas em uma base de conhecimento não-estruturada. Nossos sistemas alcançaram um F1-score máximo de 0.13 ± 0.3 no conjunto de teste, usando em média apenas 47% das passagens de texto totais disponíveis.
- Imprenta:
- Data da defesa: 19.06.2023
-
ABNT
CAÇÃO, Flávio Nakasato. A deep reinforcement learning approach to complex open-domain question answering. 2023. Dissertação (Mestrado) – Universidade de São Paulo, São Paulo, 2023. Disponível em: https://www.teses.usp.br/teses/disponiveis/3/3141/tde-10012024-092904/pt-br.php. Acesso em: 30 dez. 2025. -
APA
Cação, F. N. (2023). A deep reinforcement learning approach to complex open-domain question answering (Dissertação (Mestrado). Universidade de São Paulo, São Paulo. Recuperado de https://www.teses.usp.br/teses/disponiveis/3/3141/tde-10012024-092904/pt-br.php -
NLM
Cação FN. A deep reinforcement learning approach to complex open-domain question answering [Internet]. 2023 ;[citado 2025 dez. 30 ] Available from: https://www.teses.usp.br/teses/disponiveis/3/3141/tde-10012024-092904/pt-br.php -
Vancouver
Cação FN. A deep reinforcement learning approach to complex open-domain question answering [Internet]. 2023 ;[citado 2025 dez. 30 ] Available from: https://www.teses.usp.br/teses/disponiveis/3/3141/tde-10012024-092904/pt-br.php - Tracking environmental policy changes in the brazilian federal official gazette
- DEEPAGÉ: answering questions in portuguese about the brazilian environment
- Benchmarks for Pirá 2.0, a reading comprehension dataset about the ocean, the Brazilian Coast, and climate change
- Pirá: a bilingual portuguese-english dataset for question-answering about the ocean
- The BLue Amazon Brain (BLAB): a modular architecture of services about the Brazilian maritime territory
How to cite
A citação é gerada automaticamente e pode não estar totalmente de acordo com as normas
