# QA-Survey
![](https://img.shields.io/github/last-commit/BDBC-KG-NLP/QA-Survey?color=blue) ![](https://img.shields.io/badge/PRs-Welcome-brightgreen) [![GitHub license](https://img.shields.io/github/license/BDBC-KG-NLP/QA-Survey?color=red)](https://github.com/BDBC-KG-NLP/QA-Survey/blob/master/LICENSE)
问答系统是人工智能和自然语言处理领域中一个倍受关注并具有广泛发展前景的研究方向,其研究兴起的主要原因是人们对快速、准确地获取信息的需求。在问答系统的研发过程中,北航大数据高精尖中心研究团队重点调研了基于知识图谱的问答系统(KBQA),基于文本的问答系统(TextQA),基于表格的问答系统(TableQA)和基于视觉的问答系统(VisualQA),并整合了其现有的学术界和工业界的相关理论和技术,目前总共包括以下八个部分:
- [社区问答(Community Question Answering,CQA)-学术界](https://github.com/BDBC-KG-NLP/QA-Survey-CN/blob/master/社区问答(Community_Question_Answering,CQA)-学术界.md)
- [社区问答(Community Question Answering,CQA)-工业界](https://github.com/BDBC-KG-NLP/QA-Survey-CN/blob/master/社区问答(Community_Question_Answering,CQA)-工业界.md)
- [机器阅读理解(Machine Reading Comprehension,MRC)-学术界](https://github.com/BDBC-KG-NLP/QA-Survey-CN/blob/master/机器阅读理解(Machine_Reading_Comprehension,MRC)-学术界.md)
- [机器阅读理解(Machine Reading Comprehension,MRC)-工业界](https://github.com/BDBC-KG-NLP/QA-Survey-CN/blob/master/机器阅读理解(Machine_Reading_Comprehension,MRC)-工业界.md)
- [知识图谱问答(Knowledge Base Question Answering,KBQA)-学术界](https://github.com/BDBC-KG-NLP/QA-Survey-CN/blob/master/知识图谱问答(Knowledge_Base_Question_Answering,KBQA)-学术界.md)
- [知识图谱问答(Knowledge Base Question Answering,KBQA)-工业界](https://github.com/BDBC-KG-NLP/QA-Survey-CN/blob/master/知识图谱问答(Knowledge_Base_Question_Answering,KBQA)-工业界.md)
- [表格问答(Table Question Answering,TQA)-学术界](https://github.com/BDBC-KG-NLP/QA-Survey-CN/blob/master/表格问答(Table_Question_Answering,TQA)-学术界.md)
- [视觉问答(Visual Question Answering,VQA)-学术界](https://github.com/BDBC-KG-NLP/QA-Survey-CN/blob/master/视觉问答(Visual_Question_Answering,VQA)-学术界.md)
希望能为问答系统与自然语言处理领域的相关学者和研究人员提供帮助。本survey将保持定期持续更新、持续跟踪前沿技术,如有不足请大家批评指正,欢迎各位问答系统与自然语言处理研究者取用,也欢迎大家共同完善此调研。
## News!
- [CCL2022测评:面向领域问答的知识抽取评测](https://github.com/BDBC-KG-NLP/CCL2022-DQAB)。该测评由我们团队与航旅纵横联合举办开展,欢迎大家关注与参加!
- [面向问答与抽取应用的预训练中文阅读理解模型](https://github.com/BDBC-KG-NLP/Chinese-Pretrain-MRC-Model)。我们整理获取了中文领域的数据,并在优化相关模型基础上,实现了中文领域阅读理解的领先效果。(20220630)
- [跨领域知识智能交互平台](http://zxqa.meta-ai.top/index) 内嵌图谱问答算法,支持不同领域知识图谱快速配置问答应用平台上线(20220625)
- 视觉问答VQA在ACL2021、ACL2022、EMNLP2021、NAACL2021、NAACL2022、CVPR2021、ICCV2021中的最近研究进展工作即将更新。(预计于2022年7月中更新)
- ACL2022、NAACL2022、AAAI2022和SIGIR2022 中知识图谱问答相关工作已经更新。(20220618)
- 增加Logical Reasoning逻辑推理阅读理解相关数据集和模型介绍(20220612)
- ACL2022、AAAI2022和SIGIR2022 中阅读理解相关工作已经更新。(20220612)
## 开源贡献
目前我们在准备该Survey的英文版本,我们希望广大研究人员能参与进来,使得该survey不断完善演进,我们也将对于参与人员提供推广平台与相应物质激励。若有意参与开源贡献者,请邮箱联系zhiyuan.hu.bj@gmail.com。邮件将在3个工作日内回复!希望该survey能在大家的努力中进一步为QA研究与应用提供相关贡献。
## 相关成果
### 学术论文
- Richong Zhang, Yue Wang, Yongyi Mao and Jinpeng Huai: [Question Answering in Knowledge Bases: A Verification Assisted Model with Iterative Training.](https://dl.acm.org/doi/abs/10.1145/3345557) ACM Transactions on Information Systems. 37(4): 40:1-40:26 (2019)
- Yue Wang, Richong Zhang, Cheng Xu and Yongyi Mao: [The APVA-TURBO Approach To Question Answering in Knowledge Base.](https://aclanthology.org/C18-1170/) Proceedings of the 27th International Conference on Computational Linguistics(COLING), pages 1998–2009 (2018)
### 书籍
- 将在2022年下半年正式发布!
### 专利
- CN107748757A | 一种基于知识图谱的问答方法
- CN111858887A | 一种机场服务的社区问答系统
- CN111858888A | 一种值机场景的多轮对话方法
- 基于多源数据的知识图谱构建方法
- 基于知识图谱的问答系统设计与实现
- 基于知识库的问答方法研究
### 应用产品
- [知行知识图谱智能问答](https://www.actkg.com/search/)
- [通用领域文本阅读理解](http://mrc.nlp.actkg.com/)
- [跨领域知识智能交互平台](http://zxqa.meta-ai.top/index)
- [民航百科知识问答](http://10.1.1.30:3920)
- [垂直领域问答应用实践](http://www.actkg.com/application)
## 致谢
特此感谢支持数据公开与系统研发工作的北航高精尖中心及参与这项工作的各位团队成员:
[聂志捷](https://github.com/Arthurizijar)、[胡志元](https://zhiyuanhubj.github.io/zhiyuan.github.io/)、[张存旺](https://github.com/)、[黄海浪](https://github.com/lerogo)、[李航宇](https://github.com/lhy9816)、[张淑慧](https://github.com/Hillary060)、[张延钊](https://github.com/zyznull)、[李喣通](https://github.com/Leext)、[刘楚珉](https://github.com/ChorlingLau)、[田源](https://github.com/xzwj)、[王俊凯](https://github.com/GitWazaki)、[张明辉](https://github.com/bigapple716)
## 关于我们
<div align=left><img src="./image/Logo.png" alt="img" width=320" /></div>
[北京市大数据科学与脑机智能高精尖创新中心](http://bdbc.buaa.edu.cn/?lang=zh)
没有合适的资源?快使用搜索试试~ 我知道了~
温馨提示
【项目资源】: 包含前端、后端、移动开发、操作系统、人工智能、物联网、信息化管理、数据库、硬件开发、大数据、课程资源、音视频、网站开发等各种技术项目的源码。 包括STM32、ESP8266、PHP、QT、Linux、iOS、C++、Java、python、web、C#、EDA、proteus、RTOS等项目的源码。 【项目质量】: 所有源码都经过严格测试,可以直接运行。 功能在确认正常工作后才上传。 【适用人群】: 适用于希望学习不同技术领域的小白或进阶学习者。 可作为毕设项目、课程设计、大作业、工程实训或初期项目立项。 【附加价值】: 项目具有较高的学习借鉴价值,也可直接拿来修改复刻。 对于有一定基础或热衷于研究的人来说,可以在这些基础代码上进行修改和扩展,实现其他功能。 【沟通交流】: 有任何使用上的问题,欢迎随时与博主沟通,博主会及时解答。 鼓励下载和使用,并欢迎大家互相学习,共同进步。
资源推荐
资源详情
资源评论
收起资源包目录
北京航空航天大学大数据高精尖中心自然语言处理研究团队开展了智能问答的研究与应用总结。包括基于知识图谱的问答(KBQA.zip (172个子文件)
Competitions 1KB
VQA流程.jpeg 258KB
阅读理解模型的总体框架图.jpeg 63KB
CQA-知文-基于Attention机制的Interaction-based networks.jpeg 55KB
CQA-知文-Siamese-cnn-arc1.jpeg 55KB
KBQA-example.JPEG 34KB
多个二分类模型.jpeg 31KB
VBcD02jFhgkDdMnpz4O4ByPrUWVcT3N6UGKxwDMRMZkvYpGOufORwO3vAL6cf2kn1jQic8GwMrMkOLkSNiaGcOCg.jpeg 27KB
VAQ评估公式.jpeg 24KB
640.jpeg 18KB
VBcD02jFhgkDdMnpz4O4ByPrUWVcT3N6cOekP4HJyhRicF38UtiaIf8EtqgNcQRPVuNmZnXfpmCqDcMHCSKP98WA.jpeg 16KB
640-2.jpeg 11KB
常见的QA Bot场景.jpg 834KB
税务法规解读场景.jpg 732KB
基于阅读理解的问题处理流程1-2.jpg 555KB
基于阅读理解的问题处理流程3-4.jpg 497KB
阅读理解业务模型结构.jpg 493KB
分领域的模型支持.jpg 362KB
阿里小蜜模型效果.jpg 224KB
线上模型效果.jpg 224KB
R-net.jpg 168KB
CAIL2019-rank1 model.jpg 71KB
ARC-II.jpg 67KB
multi-castattention.jpg 65KB
ARC-I.jpg 63KB
CQA-基于Attention机制的Interaction-based_networks.jpg 36KB
PLSA.jpg 13KB
LDA.jpg 8KB
视觉问答(Visual_Question_Answering,VQA)-学术界.md 70KB
机器阅读理解(Machine_Reading_Comprehension,MRC)-工业界.md 50KB
社区问答(Community_Question_Answering,CQA)-学术界.md 49KB
知识图谱问答(Knowledge_Base_Question_Answering,KBQA)-学术界.md 49KB
社区问答(Community_Question_Answering,CQA)-工业界.md 41KB
机器阅读理解(Machine_Reading_Comprehension,MRC)-学术界.md 40KB
表格问答(Table_Question_Answering,TQA)-学术界.md 32KB
知识图谱问答(Knowledge_Base_Question_Answering,KBQA)-工业界.md 23KB
KBQA Industry.md 20KB
notes.md 9KB
README.md 6KB
notes.md 5KB
notes.md 2KB
README.md 603B
ppt-用这里面的截图.pdf 1.51MB
2041.pdf 866KB
ccks2020_eval_paper_1_4_2.pdf 816KB
AliMe.pdf 811KB
基于LSTM的大规模知识库自动问答.pdf 600KB
ccks2020_eval_paper_1_4_3.pdf 416KB
2003.pdf 403KB
eval_paper_6_2.pdf 359KB
paper13.pdf 359KB
paper14.pdf 339KB
ccks2020_eval_paper_1_4_1.pdf 293KB
paper15.pdf 265KB
eval_paper_6_4.pdf 263KB
eval_paper_6_1.pdf 234KB
eval_paper_6_3.pdf 146KB
平安智慧医疗与上海交大模型框架.png 837KB
智能问答历史.png 484KB
LIC2021数据.png 465KB
CQA-industry-DSSM.png 377KB
R-Net效果.png 350KB
四类MRC任务对比.png 320KB
QANET.png 309KB
BIDAF.png 308KB
SQuAD 2.0 数据集.png 303KB
基于预训练的MRC微调结构图.png 300KB
AmazonQA系统概念图.png 287KB
ERNIE.png 286KB
自由回答式.png 284KB
CQA-industry-siamese LSTM.png 264KB
ALBERT.png 257KB
WMD.png 256KB
1587281670040.png 254KB
IJCAI2019.png 251KB
BERT MRC.png 249KB
区间答案式.png 237KB
Screen Shot 2020-04-20 at 7.36.26 PM.png 234KB
multi task.PNG 231KB
ACL2019.png 227KB
CQA-industry-MatchPyramid.png 221KB
TQA_X_1.png 218KB
quint.PNG 209KB
ERNIE2.0.png 208KB
多项选择式.png 201KB
完形填空式.png 186KB
基于预训练的方法.png 183KB
TQA_X_3.png 183KB
CMRC2019dataset.png 183KB
莱斯杯:全国第二届“军事智能机器阅读”挑战赛rank1模型.png 181KB
1586349819279.png 178KB
机器学习定义.png 176KB
AmazonQA LM.png 169KB
VRN.PNG 168KB
CQA-industry-ESIM.png 162KB
bert.png 160KB
SQG generation.PNG 154KB
CIKM2019_2.png 147KB
CQA-industry-AnyQFramework.png 143KB
Z-Reader.png 132KB
共 172 条
- 1
- 2
资源评论
妄北y
- 粉丝: 1w+
- 资源: 1万+
上传资源 快速赚钱
- 我的内容管理 展开
- 我的资源 快来上传第一个资源
- 我的收益 登录查看自己的收益
- 我的积分 登录查看自己的积分
- 我的C币 登录后查看C币余额
- 我的收藏
- 我的下载
- 下载帮助
安全验证
文档复制为VIP权益,开通VIP直接复制
信息提交成功