摘要：为解决问答系统中问答句之间语义信息交互较少的问题,增强模型对问题分类信息的应用,提出一种将问题分类和预训练模型BERT相结合的答案选择模型。通过问题分类获取问句的期望答案类型,根据问句的期望答案类型遮蔽候选答案句中无关的单词,利用BERT模型更深层次的融合问题句和答案句中句法和语义特征,计算问答对的语义相似度。实验结果表明,采用融合问题分类信息的答案选择模型,在TrecQA Clean和WikiQA数据集上的MAP和MRR指标都有明显提升。

摘要：为提升文本摘要结果的准确性与可读性,文中使用了结合BERTScore的强化学习模型将抽取式与生成式两种文本摘要方法相融合,该方法改善了其他模型存在的对表示相同含义的不同词汇评分低以及分数高的结果可能包含错误信息的现象。模型使用BERTScore对生成的摘要结果评分,根据该分值更新策略梯度参数和当前状态,同时通过将该分值作为反馈指导下一次抽取行为来不断优化模型。文中通过Gumbel-Softmax可微再参数化技术解决了模型不可微的问题。实验结果表明,文中提出的方法更注重摘要的内容并得到较好的摘要结果,在CNN/DailyMail数据集上与以Rouge作为反馈的模型相比,评价指标Rouge-1:+0.46,Rouge-L:+0.63,评价指标BERTScore提升了2.35。

摘要：为解决现有个性化推荐系统大多是黑箱模式,无法提供可靠的推荐理由这一问题,对可解释性推荐进行深入研究。为在消除元数据需求的情况下,实现推荐的可解释性和性能之间权衡,提出一种特征映射方法,将不可解释的一般特征映射到可解释的方面特征,该方面特征可用于解释生成;同时使用一个联合学习模型平衡准确预测和生成解释这两个任务,实现推荐中令人满意的准确性和可解释性。通过在真实数据集上的实验,验证了该方法在推荐准确度和解释语句质量两方面都有所提升。