神经问答生成综述：方法、挑战与未来方向

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

　　

摘要 AI摘要

关闭

要查看此AI生成的摘要，您必须具有高级访问权限。

了解更多 登录

摘要

摘要

问题生成的目标是从知识库、自然语言文本和图像等不同来源自动生成相关且有意义的问题。随着神经架构的快速发展，神经问题生成（NQG）在学术界和工业界都受到了越来越多的关注。在这篇综述中，我们全面回顾了NQG的发展历程，涵盖了从传统的神经方法到由大型语言模型（LLMs）和多模态大型语言模型（MLLMs）驱动的最新范式的各个方面。首先，我们概述了NQG的基本组成部分，包括问题表述、基准数据集、评估指标和代表性应用。接下来，我们将现有的方法分为三类：结构化NQG，它依赖于结构化数据源；非结构化NQG，它处理如文本或图像等松散结构化的输入；以及混合NQG，它整合了多种模态。对于每种类别，我们回顾了具有代表性的神经模型，并总结了历代方法解决的问题、它们仍然存在的局限性以及方法论转变背后的动机。此外，我们追踪了NQG的发展历程，从监督神经方法和预训练模型发展到提示式生成、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。我们还讨论了最近的LLMs和MLLMs如何实现了更具上下文相关性、基于知识的以及增强了推理能力的问题生成，并讨论了诸如幻觉、偏见和评估可靠性等新兴问题。最后，我们提出了开放的挑战和新兴的研究趋势，为NQG的未来发展提供了前瞻性的视角。这篇综述精心整理了相关论文、数据集和代码，是研究NQG的全面资源。

AI摘要

AI生成的摘要（实验性）

此摘要是由自动化工具生成的，未经文章作者的撰写或审核。它旨在帮助发现、帮助读者评估相关性，并帮助来自相关研究领域的读者理解本文内容。它旨在补充作者提供的摘要，后者仍是文章的主要摘要。全文仍然是权威版本。点击这里了解更多。

点击这里来评论此摘要的准确性、清晰度和实用性。您的反馈将有助于改进未来的版本。

要查看此AI生成的通俗语言摘要，您必须具有高级访问权限。