Text-2014-08-19 - 版本历史

2014年8月29日 (五) 01:06 Lr

2014-08-29T01:06:09Z

2014年8月29日 (五) 01:01 Lr

2014-08-29T01:01:14Z

Lr：撤销由Lr（讨论）所作出的修订10676

2014-08-21T06:57:39Z

撤销由Lr（讨论）所作出的修订10676

Lr：以“ recorded by Rong Liu”替换内容

2014-08-21T06:56:33Z

以“ recorded by Rong Liu”替换内容

2014年8月19日 (二) 15:42 Wangd

2014-08-19T15:42:27Z

Wangd：以内容“x”创建新页面

2014-08-19T15:41:33Z

以内容“x”创建新页面

新页面

←上一版本		2014年8月29日 (五) 01:06的版本
第34行：		第34行：

	==Paper List==		==Paper List==
		+	1. a paper for practical design:Zhang, Guangzhi, et al. "The Architecture of ProMe Instant Question Answering System." Cyber-Enabled Distributed Computing and Knowledge Discovery (CyberC), 2013 International Conference on. IEEE, 2013.
		+
		+	2 Park, Jungyeul, Jong Gun Lee, and Beatrice Daille. "UNPMC: Naive approach to extract keyphrases from scientific articles." Proceedings of the 5th international workshop on semantic evaluation. Association for Computational Linguistics, 2010.
		+
		+	3 Guangyou Zhou, Li Cai, Jun Zhao, and Kang Liu. 2011. Phrase-based translation model for question retrieval in community question answer archives. In Proceedings of the 49th Annual Meeting of the Association for Computational Linguistics: Human Language Technologies - Volume 1 (HLT '11),
		+
		+	4. Lei Zou, Ruizhe Huang, Haixun Wang, Jeffrey Xu Yu, Wenqiang He, and Dongyan Zhao. 2014. Natural language question answering over RDF: a graph data driven approach. In Proceedings of the 2014 ACM SIGMOD international conference on Management of data (SIGMOD '14). ACM, New York, NY, USA, 313-324. DOI=10.1145/2588555.2610525 http://doi.acm.org/10.1145/2588555.2610525
		+
		+	5 Shekarpour, Saeedeh, et al. "SINA: Semantic interpretation of user queries for question answering on interlinked data." Web Semantics: Science, Services and Agents on the World Wide Web
		+	(2014).
		+
		+
		+	6. Bordes, Antoine, Sumit Chopra, and Jason Weston. "Question Answering with Subgraph Embeddings." arXiv preprint arXiv:1406.3676 (2014).
		+
		+	7 Choi, Erik, Vanessa Kitzie, and Chirag Shah. "A machine learning-based approach to predicting success of questions on social question-answering." (2013).
		+
		+	8 iphaine Dalmas, Bonnie Webber, Answer comparison in automated question answering, Journal of Applied Logic, Volume 5, Issue 1, March 2007, Pages 104-120, ISSN 1570-8683, http://dx.doi.org/10.1016/j.jal.2005.12.002.
		+
		+	9 Zhou, Guangyou, et al. "Statistical Machine Translation Improves Question Retrieval in Community Question Answering via Matrix Factorization." ACL (1). 2013.
		+
		+	10.Sherzod Hakimov, Hakan Tunc, Marlen Akimaliev, and Erdogan Dogdu. 2013. Semantic question answering system over linked data using relational patterns. In Proceedings of the Joint EDBT/ICDT 2013 Workshops (EDBT '13). ACM, New York, NY, USA, 83-88. DOI=10.1145/2457317.2457331
		+	http://doi.acm.org/10.1145/2457317.2457331
		+
		+	11 Wu, Youzheng, et al. "Leveraging Social Q&A Collections for Improving Complex Question Answering." Computer Speech & Language (2014).
		+
		+	12 Giannone, Cristina, Valentina Bellomaria, and Roberto Basili. "A HMM-based approach to question answering against linked data." Proceedings of the Question Answering over Linked Data lab (QALD-3) at CLEF (2013).

←上一版本		2014年8月29日 (五) 01:01的版本
第32行：		第32行：

	recorded by Chao Xing		recorded by Chao Xing
		+
		+	==Paper List==

←上一版本		2014年8月21日 (四) 06:57的版本
第1行：		第1行：
		+	QA Research：
		+	ProMe: 对我们有帮助的地方有：
		+	1. Question classification 其中需要注意的是question type的定义
		+	2. Key-Word extraction
		+	Leveraging social Q&A collections for improving complex question answering: 对我们有帮助的地方有:
		+	1. Question type classification.
		+	2. 依据 question type classification 对 answer 做 re-score.

		+	QA Develop:
		+	1. Mean value by using word2vec training question treat as baseline.
		+	2. 先做分类，再做搜索。
		+	3. Question 分类 ==> Lucene 40 best (加入 word2vec 策略，加入 translation 策略（ps：邢超完成）) ==> content 分类（lasso 精确匹配）
		+	4. 爬去百度知道的数据

		+	晓曦：
		+	word2vec train 字的vector ==> predict 实体vector （领域可以是公司名称识别）
		+	王老师提供的思路：
		+	词的vector 作为baseline
		+	字的vector <=> 词的vector
		+	转化为
		+	选几组词作为测试，看看有没有什么相对靠谱一些的转化思路。
		+	建议：这周能够使用translation model的结果

−	recorded by ~~Rong Liu~~	+	Knowledge Vector:
		+	learning cost fuction ==> Link from wiki
		+	==> 正文的over lap程度（相似度）
		+	思路：可以用我们之前做过的text vector 辅助计算相似度
		+	==> 已经结构化好的模块，比如说wiki中的上下位关系等
		+	Link 的长度以及深度
		+	子类在某一程度上聚集在父类的周围
		+
		+
		+	recorded by Chao Xing

@@ 第1行： / 第1行： @@
-Knowledge Vector:
+recorded by Rong Liu
-  learning cost fuction ==> Link from wiki
-                        ==> 正文的over lap程度（相似度）
-                            思路：可以用我们之前做过的text vector 辅助 计算相似度
-                        ==> 已经结构化好的模块，比如说wiki中的上下位关系等
-           Link 的长度以及深度
-           子类在某一程度上聚集在父类的周围
-−
-−
-recorded by Chao Xing

←上一版本		2014年8月19日 (二) 15:42的版本
第1行：		第1行：
−	x	+	QA Research：
		+	ProMe: 对我们有帮助的地方有：
		+	1. Question classification 其中需要注意的是question type的定义
		+	2. Key-Word extraction
		+	Leveraging social Q&A collections for improving complex question answering: 对我们有帮助的地方有:
		+	1. Question type classification.
		+	2. 依据 question type classification 对 answer 做 re-score.
		+
		+	QA Develop:
		+	1. Mean value by using word2vec training question treat as baseline.
		+	2. 先做分类，再做搜索。
		+	3. Question 分类 ==> Lucene 40 best (加入 word2vec 策略，加入 translation 策略（ps：邢超完成）) ==> content 分类（lasso 精确匹配）
		+	4. 爬去百度知道的数据
		+
		+	晓曦：
		+	word2vec train 字的vector ==> predict 实体vector （领域可以是公司名称识别）
		+	王老师提供的思路：
		+	词的vector 作为baseline
		+	字的vector <=> 词的vector
		+	转化为
		+	选几组词作为测试，看看有没有什么相对靠谱一些的转化思路。
		+	建议：这周能够使用translation model的结果
		+
		+	Knowledge Vector:
		+	learning cost fuction ==> Link from wiki
		+	==> 正文的over lap程度（相似度）
		+	思路：可以用我们之前做过的text vector 辅助计算相似度
		+	==> 已经结构化好的模块，比如说wiki中的上下位关系等
		+	Link 的长度以及深度
		+	子类在某一程度上聚集在父类的周围
		+
		+
		+	recorded by Chao Xing