Introduction

目前，本文是MARCO数据集NLG任务的第一名，作者是NTT公司的Nishina等人。文章突破了抽取式阅读理解模型的束缚，采用摘要的方式生成指定风格的答案，这两个突破算是GMRC的一个里程碑。在此篇文章之后，分析选手榜可以发现，沿用此方法的模型也都取得了比较好的效果。还有一点值得一提，本文没有用BERT，只用了Transformer和ELMo，效果就已经很不错了。MARCO榜上目前2-4名都用了BERT+PG-Net，不知道什么原因，BERT在生成式阅读理解上并不是那么的强大。

Introduction

本文出自Baidu NLP Research，在MS MARCO的V1版本上是第二；V2版本上QA任务是第三，well-formed任务是第二。代码没公开，基本的思想就是提出两个辅助任务，辅助抽取更好的答案片段。

Introduction

本文出自微软亚研院，一作是北航的Chuanqi Tan, 代码没有公开，链接为台湾的一位同学用CNTK实现的代码。首次使用了Seq2Seq模型对MS-MARCO阅读理解数据集进行答案生成，比较符合MS-MARCO的本意，同时定义了先抽取再生成的框架，在R-Net的基础上有一定的提升。

Lesson 16

Introduction

不是所有的数据都能以pile的形式存储，一般情况下，把数据存储成序列更有用。Python提供了几种处理序列的方式，list就是其中一个常见方法，但是tuple是一种更小更快存储方法。那么，list和tuple有那些不同呢？开始做实验吧。

My github project: https://github.com/IndexFziQ/MSMARCO-MRC-Analysis. Welcome to star my work!

Keep updating …