利用文章中的结构化信息生成问题

问题生成（QG）是利用人工智能（Al）技术生成问题的任务，这些问题可以通过给定段落中的一段文本来回答。教育领域现有的QG研究面临两个挑战：主流的基于seq-seq的QG模型未能利用文章中的结构化信息；另一个是缺乏专门的教育QG数据集。为了应对这些挑战，通过对RACE数据集应用新的答案标记方法和数据过滤策略，重建了一个专门的QG数据集，即来自QG考试的阅读理解数据集（名为RACE4QG）。此外，还提出了一种端到端的QG模型，该模型可以利用句内和句间信息来生成更好的问题。在我们的模型中，编码器使用门控递归单元（GRU）网络，该网络将单词嵌入、答案标记和图注意力网络（GAT）嵌入的级联作为输入。GRU的隐藏状态通过门控自注意进行操作，以获得最终的通道答案表示，该表示将被馈送到解码器。结果表明，我们的模型在自动度量和人工评估方面优于基线。因此，该模型在BLEU-4、ROUGE-L和METEOR指标上分别将基线提高了0.44、1.32和1.34，表明了我们模型的有效性和可靠性。它与人类期望的差距也反映了研究的潜力。