Unstructured text comprehension and question answering

Abstract

Tato práce se zabývá porozuměním nestruktorovanému textu a automatickým odpovídáním na otázky. Zaměřuje se na využití principů přenosu znalostí. Práce popisuje několik experimentů které ukazují zlepšení výkonu modelu natrénovaného na obecné bázi dat (SQuAD) přeneseného a přetrénovaného, na menší tematicky specifickou bázi dat.This thesis deals with comprehension of unstructured text and question answering. Specifically we focus the benefits of transfer learning. We show several experiments where we employ transfer learning to adjust model created on general large QA dataset (SQuAD) with data from smaller topic specific datasets. We explore influence of transfer learning on datasets focusing on specific topic not included in the main domain.