中文阅读理解测试集数据，训练集在其他地方，有需要自行去下载

匹配LSTM 在这里我们在SQuAD上实现MatchLSTM（Wang and Jiang 2016）模型，R-Net（Wang et al.2017）模型和M-Reader（Hu et al.2017）（Rajpurkar et al.2016）。 也许有些细节与最初的论文有所不同。 要求 python3 水蟒 hdf5 实验 Match-LSTM +模型与Match-LSTM略有不同。 用GRU代替LSTM 添加类似r-net的门控注意匹配 添加单独的字符级编码 添加其他功能，例如M-Reader 在一个GRU层上添加聚合层 指针网中的初始GRU第一状态在匹配层之后添加全连接层 评估SQuAD开发人员集的结果： 模型 EM 11 Match-LSTM +（我们的版本） 70.2 79.2 Match-LSTM（纸） 64.1 73.9 R-NET-45（我

MSMARCO 是机器阅读理解数据集，其包含的 1,010,916 个匿名问题均来自 Bing 的搜索查询日志，日志中均包含 AI 生成的答案和 182,669 条人为重写的答案，该数据集还包含从 3,563,535 个文档中提取的 8,841,823 个段落。 eval_v2.1_public.json dev_v2.1.json

搜狗机阅读理解（SMRC）工具包旨在快速高效地开发现代机器理解模型，包括已发表的模型和原始原型。

机器阅读理解（MRC）旨在教机器阅读和理解人类语言，这是自然语言处理（NLP）的长期目标。随着深度神经网络的爆发和上下文语言模型（contextualized language models-CLM）的发展，MRC的研究经历了两个重大突破。作为一种现象，MRC和CLM对NLP社区有很大的影响。

这是从Qangaroo官方网站下载的。官网只公开训练集和测试集，验证集不公开。

为了提供对机器阅读理解（MRC）中现有任务和模型的调查，本报告回顾：1）一些具有代表性的简单推理和复杂推理MRC任务的数据集收集和性能评估； 2）用于开发基于神经网络的MRC模型的体系结构设计，注意机制和提高性能的方法； 3）最近提出了一些转移学习方法，以将外部语料库中包含的文本样式知识合并到MRC模型的神经网络中； 4）最近提出的一些知识库编码方法，用于将外部知识库中包含的图形样式知识合并到MRC模型的神经网络中。 此外，根据已经取得的成就和仍然存在的不足，本报告还提出了一些尚待进一步研究的问题。

机器阅读理解(MRC)旨在教会机器阅读和理解人类语言，这是自然语言处理(NLP)的长期目标。随着深度神经网络的爆发和上下文语言模型(CLMs)的发展，MRC的研究经历了两个重大突破。

基于机器阅读理解的嵌套命名实体识别，王璞，徐蔚然，命名实体识别是自然语言处理领域的重要的基础性问题，经典的处理方法是把它看做序列标注任务，序列标签用于嵌套命名实体的表示时

本人曾随队在mrc2018机器阅读理解比赛中获得TOP11的名次，当时使用的是BIDAF，现尝试使用QANet去尝试dureader数据集