神经问题生成研究综述：方法、挑战及未来方向

《ACM Computing Surveys》：A Review of Neural Question Generation: Approaches, Challenges, and Future Directions

　　

摘要AI 摘要

要查看此AI生成的摘要，您需要拥有高级访问权限。

了解更多登录

摘要

摘要

问题生成（Question Generation）的目标是从知识库、自然语言文本和图像等多种输入中自动生成相关且有意义的问题。随着神经网络架构的快速发展，神经问题生成（Neural Question Generation，NQG）在学术界和工业界都受到了越来越多的关注。本文对NQG领域的发展进行了全面综述，涵盖从传统神经方法到最新的大型语言模型（LLMs）和多模态大型语言模型（MLLMs）驱动的最新范式。我们首先介绍了NQG的基本组成部分，包括其问题定义、基准数据集、评价指标以及代表性应用。接下来，我们将现有方法分为三类：结构化NQG，依赖结构化数据源；非结构化NQG，处理松散结构化的输入，如文本或图像；以及混合NQG，整合多种模态。对于每一类别，我们回顾了代表性的神经模型，综合分析了不同代际方法所解决的问题、其遗留的局限性以及主要方法论转变的动机。此外，我们追溯了NQG从有监督神经方法和预训练模型发展到提示工程、检索增强生成、强化学习，以及新兴的工具增强和基于智能体的范式的过程。我们还讨论了近期的大语言模型和多模态大语言模型如何推动了更具上下文对齐性、知识可靠性和推理增强能力的问题生成，同时探讨了幻觉、偏见和评估可靠性等新兴问题。最后，我们概述了开放挑战和新兴研究趋势，为NQG的演进提供了前瞻性的视角。本综述精心整理了相关的论文、数据集和代码，为任何研究NQG的人员提供了全面的参考资料。

AI 摘要

AI 生成摘要（实验性）

本摘要由自动化工具生成，未经文章作者撰写或审阅。我们提供此摘要是为了支持文献发现、帮助读者评估相关性，并帮助来自相邻研究领域的读者理解该工作。它旨在补充作者提供的摘要，后者仍然是论文的主要摘要。全文仍然是权威的正式记录版本。点击此处了解更多。

点击此处对本摘要的准确性、清晰度和有用性进行评论。这将有助于改进和未来的重新生成版本。

要查看此AI生成的通俗语言摘要，您需要拥有高级访问权限。