Machine Comprehension

閱讀理解任務的研究進展

深度学习解决机器阅读理解任务的研究进展_深度学习阅读理解任务-CSDN博客blog.csdn.net

解读DeepMind的论文“教会机器阅读和理解”_deepmind论文-CSDN博客blog.csdn.net

CIPS青工委学术专栏第6期 | 机器阅读理解任务综述_manning, modeling biological processes for reading-CSDN博客blog.csdn.net

让机器读懂人类：探索问答系统和机器阅读理解_问答和机器阅读理解的区别-CSDN博客blog.csdn.net

https://blog.csdn.net/sparkexpert/article/details/79233125

解读阿里iDST SLQA 技术-机器阅读理解_阿里机器阅读理解模型-CSDN博客blog.csdn.net

2018机器阅读理解竞赛冠军分享：问答系统新思路_统一自然语言预训练模型与机器阅读理解2018竞赛-CSDN博客blog.csdn.net

阅读理解模型解析-CSDN博客blog.csdn.net

机器阅读理解中文章和问题的深度学习表示方法_深度学习如何断定文章-CSDN博客blog.csdn.net

机器阅读理解打破人类记录，解读阿里iDST SLQA 技术-CSDN博客blog.csdn.net

基于Bidirectional AttentionFlow的机器阅读理解实践-CSDN博客blog.csdn.net

Fun_AI/QA systems(问答系统).md at master · calssion/Fun_AIGitHub

非常好的总结性blog：

https://www.zybuluo.com/ShawnNg/note/622592

1：首先阅读理解任务中，一般句子较长，所以attention机制是比较重要的。一般来说，都是通过query去找document中最接近的部分，然后利用这部分的信息可以用来回答问题。这也符合人类思考问题的方式，读完题目，去文章中找答案，一般来说，答案都是集中在文章的某一个部分。

2：体现出信息迭代和不断学习的过程。这和人思考问题的方式是类似的，当我们去面对一个阅读理解问题后，读完文章和题目以后，我们很难第一时间就得出新的答案，那大部分时候，我们都是基于已有的信息，然后重新读题目和文章，在此基础上，我们可以得出新的一些结论，也许通过反复几次的循环，从而可以最终获得问题的答案。这种信息的迭代过程最直接的方式在于可以通过RNN这种结构来反映出来。通过将每一次编码出来的信息进行迭代，可以学习到最终有用的信息。

Stanford AR和The Attentive Reader

区别在于attention方式，还有就是预测的词表范围

以人的认知来说：分为两个部分进行:

1:读完文章和题目就直接开始做题，以后文章和题目也不看了。

2:反复的读文章和题目，不断地累积知识，所以问题的关键在于如何在每一次迭代时候选择有用的知识，所以此时attention的对象应该是存取的只是本身。

达到一定程度后，然后判断最终的答案。

区别：Attentive Reader和Impatient Reader

首先从计算效率上来看，Attentive Reader的效率要远高于Impatient Reader，这个事很明显的，因为Attentive Reader只需要在最终的隐含状态上做attention，而Impatient Reader需要在每个词上都要进行attention，但在实际效果上，Attentive Reader跟Impatient Reader在性能上是接近的。具体个单个情况下，大部分时候问题的句子是相对较短的，（<50个单词）通过选取合适的隐含节点数，LSTM完全是有可能将问题的信息编码好的，所以Attentive Reader模型的能力是可以得到保证的。所以从效率，效果，分析这几点上来看，个人认为Attentive Reader的性能是优于Impatient Reader的。但是Impatient Reader模型体现了一种迭代学习的概念

pointer network利用累积多个实体上面的概率之和。。。相当于显示的包含了数据的统计特性吧