1. Abstract 协同注意力机制在最近几年广泛用于 VQA 领域，以往的协同注意力多是先计算各模态的注意力分布信息，再建立不同模态间的相关性，这样忽略了模态内的相关性。本篇论文在 Self-Attention 机制的基础上，应用 Transformer 设计 MCA 模块，通过级联的方式搭建深层模块化网络 MCAN 2. Model 2.1 MCA Self-Attention (SA) 用于发掘模块内的关系，Guided-Attention (GA) 用于发掘模块间的关联，模块的设计遵循 Transformer 一文中的 scaled dot-product attention 模块

神经问题生成：学习提问 该项目旨在探索使用深层神经网络从阅读理解段落中的句子中自动生成问题。 我们可以将此任务解释为“问答”的相反目标，在给定句子和问题的情况下，我们可以构建算法来找到答案。 这里的目标是在输入句子的情况下生成一个问题，并可能给出一个答案。 可以考虑各种范例： 给定一个句子，就该句子生成一个问题。 这种范例与机器翻译中的操作非常接近，在机器翻译中给定了语言A的输入句子，我们打算将其翻译成语言B的相应句子。主要区别在于输出空间的大小，这是很大的由于可以从一个句子中创建大量的问题，因此对于QG来说更大。 给定一个句子和一个答案，句子中的跨度会产生一个关于句子的问题，我们可以通过给出的答案来回答。 与以前的范式的不同之处在于，这里可能产生的问题的输出空间要窄得多，因为它受答案的限制。 给定一个段落，该段落中的一个句子，该句子中的一个答案，就该句子产生一个问题，该问题可以

问题生成 从段落中产生一个适当的问题。

多任务问题生成 用于问题回答和问题生成的mT5模型 引文 @misc{turkishmultitaskQA, author = {Özcan Gündeş}, title = {Turkish Multitask MT5 for Question Generation & Answering}, publisher = {GitHub}, journal = {GitHub repository}, year = {2021}, howpublished={\url{https://github.com/ozcangundes/multitask-question-generation}} }

NLP问题解答系统 斯坦福大学SQuAD数据集上的NLP项目 回答信息检索和自然语言处理（NLP）领域的问题，该问题与构建自动化系统有关，该系统以自然语言回答人类提出的问题。 有两种类型的系统； 封闭域质量检查和开放域质量检查。 封闭域质量检查与构建可回答特定领域问题的系统有关。 因此，给定一段文本，我们希望开发能够回答该特定文本问题的系统。 开放域质量保证可以处理几乎所有问题，并且可以依靠一般本体论和世界知识。 这些系统通常具有更多可用于提取答案的数据。 在此任务中，我们关注的是封闭域质量检查。 现代系统中的问题类型： Factoid问题：罗浮宫在哪里？ 复杂的问题：学者们对杰斐逊在与海盗打交道方面的立场有何看法？ 我们对此任务中的Factoid问题感兴趣。 我创建了一个自动的封闭域质量检查系统，该系统能够为有关所提供文本的人类问题提供正确且难以理解的答案。 应该给最终

kaggle Quora Question Pairs

BEFAQ BEFAQ(BERT Embedding Frequently Asked Question) 开源项目是好好住面向多领域FAQ集合的问答系统框架。 我们将Sentence BERT模型应用到FAQ问答系统中。开发者可以使用BEFAQ系统快速构建和定制适用于特定业务场景的FAQ问答系统。 BEFAQ的优点有： （1）使用了Elasticsearch、Faiss、Annoy 作为召回引擎 （2）使用了Sentence BERT 语义向量（Sentence-BERT: Sentence Embeddings using Siamese BERT-Networks） （3）对同义问题有很好的支持 （4）支持多领域语料（保证了召回的数据是对应领域的，即使是同样的问题，也可以得到不同的答案。） （5）提供了根据当前输入提示联想问题（suggest）功能的接口 BEFAQ的框架结构如下图

本项目是一个简单的django问卷调查系统，拥有完善的权限机制，以及答卷功能，可扩展性强，用户相关登录、退出、改密等功能均在users应用中，course应用为问卷应用，采用vue+django+sqlite3开发，但后期可配置连接到MySQL数据库！ 非常适合大学生作为毕业项目进行改造！ 上线部署请自行参考django官方文档！如有部署需求可单独咨询报价！ 调试步骤： 1、创建虚拟环境，这里只以python默认创建虚拟环境的方式说明 python3 -m venv venv 2、激活虚拟环境 win: venv\Script\activate linux: source venv/bin/activate 3、安装依赖 pip3 install -r requirements.txt 4、启动调试服务器 python3 manage.py runserver 前台所有页面默认均需要登录后方可访问 学生登录后直接进入选择问卷页面，选择问卷确认后直接进入问卷答题页面，成功跳转到个人中心，失败会有失败提示，问卷所有选项在没提交问卷之前均可修改，提交后选项不能修改，一个问卷一个学生只能作答一次，不能重复作答！ 老师登录后跳转到个人中心，可修改密码，查看问卷结果，通过问卷结果的学生名可访问该问卷该学生的作答详细信息！ 前台登录功能，学生、老师、超管均可登录，登录成功根据角色类型显示不同页面对应不同操作。 超管前台登录权限和老师基本一致，只是查看问卷结果为全员的问卷结果，而老师只能查看自己名下关联课程的问卷！ 超管后台登录拥有所有权限，可在后台导出问卷结果及课程详情结果，格式为csv！ 超管拥有批量导入用户信息权限! 超管可在后台修改任何用户的密码！ 学生及教师均可在前台修改密码、姓名和用户名, 姓名和用户名修改时默认显示在修改框！ 超管后台功能列表 用户管理 - 学生、教师信息增删改查！ 开课时间 - 【增删改查】添加课程之前必须设置，因为在添加课程是需要选择开课时间，依赖该项！ 课程管理 - 【增删改查】添加课程，课程需关联老师及开课时间，请提前创建！ 问题管理 - 【增删改查】问题维度已经内置直接选择，问题、权重可修改，问题选项在对应的问题下添加，请注意选择选项多对应的选项号！ 问卷管理 - 【增删改查】问卷可多选题库，关联教师，关联课程，请提前创建！ 问卷结果 - 【管理员可删除】 可批量导出，可按课程及教师筛选查看！ 课程结果 - 课程列表依赖添加的课程，已经有学生答题的课程，在删除课程前需谨慎，会导致之前的结果无法查看！ 超管导入用户数据地址：http://127.0.0.1:8000/course/loaddata/user/ 用户数据录入说明： 老师和学生录入信息字段基本一致，id[值唯一]、username[值唯一]、password、code[值唯一，并且不能以0开头]为必填。 user_type字段为用户类型，需要在导入前指明用户类型。【学生类型：XS】【教师类型: TC】【超管类型：CG】。 dept字段为学院类型，因为系统已经固定了几个学院选项，所以不能随意填写，需要与选项中的对应。 # 选项类型 DEPT = ( ('计算机科学学院', '计算机科学学院'), ('文学院', '文学学院'), ('外国语学院', '外国语学院'), ('数学学院', '数学学院'), ) code字段为老师或学生的学号，必须唯一，也是必填项，不能以0开始，不能以0开始，不能以0开始，否则编辑信息不可用excel，只能用txt文本管理器打开编辑！ 项目根目录有个01.csv的文件为导入用户信息模板，里边录入的几个用户不能删除，除id之外，其余均可修改， id可以从2开始，1的id是超级管理员的id，可以剔除在外！【目前超管的信息已经在文件中，如果系统创建了超管之后再去导入，文件中的超管id=1的信息会被覆盖】 【文件编码格式必须为： 【CSV UTF-8(逗号分割) 】的.csv文件】 前台登录地址：http://127.0.0.1:8000/users/login/ 后台登录地址：http://127.0.0.1:8000/admin/ 学生测试账户： 账号：studentA 密码：123456 教师测试账户： 账号：teachA 密码：123456 超级管理员： 账号：admin 密码：admin123zxc

机器学习的双向注意力流 这是的原始实现。 可找到提交的CodaLab工作表。 对于TensorFlow v1.2兼容版本，请参阅分支。 如有问题和建议，请联系 （ ）。 0.要求 一般 Python（已在3.5.2。上验证。Python2已报告问题！） 解压缩，wget（仅用于运行download.sh ） Python包 tensorflow（深度学习库，仅适用于r0.11） nltk（NLP工具，已在3.2.1上验证） tqdm（进度条，已在4.7.4上验证） jinja2（用于虚假化；如果只培训和测试，则不需要） 1.预处理 首先，准备数据。 下载SQuAD数据以及GloVe和nltk语料库（〜850 MB，这会将文件下载到$HOME/data ）： chmod +x download.sh; ./download.sh 其次，预处理Stanford QA数据集（以及GloVe向量），并将其保存在$PWD/data/squad （约5分钟）： python -m squad.prepro 2.培训 该模型具有〜2.5M参数。 该模型由NVidia Titan

视觉问答 该实现遵循“图像字幕和视觉问题解答的自下而上和自上而下注意”（ ）和“视觉问题解答的提示和技巧：从中学到的知识”中描述的VQA系统2017年挑战”（ ）。 结果 模型 验证准确性 训练时间 实施模型（CNN扩展+ BCP） 64.2 40至50分钟（Titan Xp） 使用计算准确性。 实施细节 我们的实现遵循论文的总体结构，但有以下简化： 我们不使用额外数据。 每个图像我们仅使用固定数量的对象（K = 36）。 我们使用一个简单的单流分类器而不进行预训练。 我们使用简单的ReLU激活而不是封闭的tanh。 前两点大大减少了培训时间。 在单个Titan Xp上，我们的实现每个周期大约需要200秒，而本文中描述的实现每个周期需要1个小时。 第三点是因为我们认为原始文档中的两个流分类器和预训练过于复杂，因此没有必要。 对于非线性激活单元，我们尝试了门tanh，