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

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.

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.

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.