350 руб
Журнал «Динамика сложных систем - XXI век» №4 за 2020 г.
Статья в номере:
Автоматическая генерация вопросов на основе текстов и графов знаний
DOI: 10.18127/j19997493-202004-06
УДК: 004.912
Авторы:

М.А. Белянова¹, Г.И. Ревунков², Г.И. Афанасьев³, Ю.Е. Гапанюк4

1-4 МГТУ им. Н.Э. Баумана (Москва, Россия)

1 belyanovama@student.bsmtu.ru; 2revunkov@bmstu.ru; 3 gaipcs@bmstu.ru; 4 gapyu@bmstu.ru

Аннотация:

Постановка проблемы. В настоящее время наиболее перспективным является использование для генерации вопросов не только текстовой информации, но и графовое представление баз знаний. Поэтому в данной статье будут рассмотрены гибридные графово-текстовые способы генерации вопросов.

Цель. Предложить классификацию способов генерации вопросов, а также рассмотреть архитектуру интеллектуальной системы формирования вопросов.

Результаты. Представлена классификация способов генерации вопросов: по методам генерации вопросов и по структуре исходных данных. На основе концепции гибридной интеллектуальной информационной системы (ГИИС) предложена архитектура интеллектуальной системы формирования вопросов.

Практическая значимость. Предлагаемый подход на основе ГИИС позволяет проводить эксперименты с различными вариантами архитектур интеллектуальной системы формирования вопросов. Результаты проведенных экспериментов подтверждают возможность использования метаграфового представления знаний для улучшения качества генерации вопросов.

Страницы: 55-64
Для цитирования

Белянова М.А., Ревунков Г.И., Афанасьев Г.И., Гапанюк Ю.Е. Автоматическая генерация вопросов на основе текстов и графов знаний // Динамика сложных систем. 2020. T. 14. № 4. С. 55-64. DOI: 10.18127/j19997493-202004-06.

Список источников
  1. Alsubait T., Parsia B., Sattler U. Ontology-based multiple choice question generation // KI-KünstlicheIntelligenz. 2016. Т. 30. № 2. С. 183-188.
  2. Mitkov R., Ha L.A. Computer-aided generation of multiple-choice tests // Proceedings of the HLT-NAACL 03 workshop on Building educational applications using natural language processing. V. 2. Association for Computational Linguistics. 2003. Р. 17-22.
  3. Stasaski K., Hearst M.A. Multiple choice question generation utilizing an ontology // Proceedings of the 12th Workshop on Innovative Use of NLP for Building Educational Applications. 2017. Р. 303-312.
  4. Yue Feng, Yang Wang, Hang Li. A Sequence-to-Sequence Approach to Dialogue State Tracking // arXiv preprint arXiv:2011.09553. 2020.
  5. Xinya Du, Junru Shao, Claire Cardie. Learning to Ask: Neural Question Generation for Reading Comprehension // arXiv preprint arXiv:1705.00106. 2017.
  6. Papineni K., Roukos S., Ward T., Zhu W.J. BLEU: a method for automatic evaluation of machine translation // Proceedings of the 40th annual meeting on association for computational linguistics. – Association for Computational Linguistics. 2002. Р. 311-318.
  7. Chen Y., Wu L., Zaki M.J. Reinforcement learning based graph-to-sequence model for natural question generation // arXiv preprint arXiv:1908.04942. 2019.
  8. Heilman M. Automatic Factual Question Generation from Text. PhD Thesis. Carnegie Mellon University. 2011.
  9. Белянова М.А., Каганов Ю.Т., Гапанюк Ю.Е. Архитектура гибридной интеллектуальной информационной системы генерации вопросов по тексту // Труды VIII Междунар. науч.-практич. конф. «Нечеткие системы, мягкие вычисления и интеллектуальные технологии» (НСМВИТ-2020). Т. 2. С. 35-43.
  10. Chernenkiy V.M., Gapanyuk Yu.E., Nardid A.N., Gushcha A.V., Fedorenko Yu.S. The Hybrid Multidimensional-Ontological Data Model Based on Metagraph Approach // In: Petrenko A., Voronkov A. (eds.) Perspectives of System Informatics. PSI 2017. LNCS. Springer, Cham. 2018. V. 10742. Р. 72-87. DOI: https://doi.org/10.1007/978-3-319-74313-4\_6
  11. Chernenkiy V., Gapanyuk Yu., Terekhov V., Revunkov G., Kaganov Y. The hybrid intelligent information system approach as the basis for cognitive architecture. Procedia Computer Science. 2018. V. 145. P. 143-152.
  12. Tianqiao Liu, Qian Fang, Wenbiao Ding, Zhongqin Wu, Zitao Liu. Mathematical Word Problem Generation from Commonsense Knowledge Graph and Equations // arXiv preprint arXiv:2010.06196. 2020.
Дата поступления: 02.10.2020
Одобрена после рецензирования: 22.10.2020
Принята к публикации: 12.11.2020