[人工智能]第19章：NLP阅读理解MRC(Machine Reading Comprehension)数学原理、技术本质及常见算法

1，以一篇119个Words的GRE(Graduate Record Examinations)文章及2个相应的阅读理解题目为例来剖析阅读理解的过程及其背后的机制

2，MRC在智能客服、机器问答、搜索引擎等等广泛应用背后的原因：规模化价值复制

3，信息的本质及信息理解的本质数学机制剖析

4，MRC三元素：Question-Context-Answer数学模型及技术本质剖析

5，MRC的核心：Attention Computations

6，MRC对信息理解三大层次解析及背后对应的数学模型

7，MRC实现方法之传统特征工程解析

8，MRC实现方法之深层语意图匹配解析

9，MRC实现方式之神经网络及Attention机制解析

10，MRC数据之Single-Document和Multiple-Document解析

11，MRC的四大核心任务之Cloze Tests数据集、数学原理和技术本质剖析

12，MRC的四大核心任务之Multiple Choice数据集、数学原理和技术本质剖析

13，MRC的四大核心任务之Span Extraction数据集、数学原理和技术本质剖析

14，MRC的四大核心任务之Free Anwering数据集、数学原理和技术本质剖析

15，Cloze Tests数据集分析：CNN&Daily Mail、CBT等

16，Multiple Choice数据集分析：MC Test、RACE等

17，Span Extraction数据集分析：SQuAD、NewsQA等

18，Free Answering数据集分析：MS MARCO、DuReader等

19，MRC的测试集解析：In-domain、Over-sensitivity、Over-stability、Generalization等

20，MRC的可回答问题及无答案问题数学原理剖析及BERT实现

21，MRC的Feature extraction数学原理及算法分析

22，传统Machine Learning Algorithms对MRC 算法解析

23，BiDAF (Bi-Directional Attention Flow)下的MRC算法解析

24，QANet下的MRC算法解析

25，Transformer架构下的BERT及ALBERT下的MRC 解析

26，Transformer架构下的XLNET下的MRC 解析