通过生成式证据融合与往返预测回答歧义问题
计算与语言
2021-06-01 v2 人工智能
机器学习
摘要
在开放域问答中，用户在构造问题时可能并不了解相关主题的范围，因此问题极有可能是歧义的。因此，系统需要找出问题的可能解释，并预测一个或多个合理答案。当找到多个合理答案时，系统应为每个答案重写问题以消除歧义。在本文中，我们提出一个模型，该模型聚合并组合来自多个段落的证据，以自适应地预测歧义问题的单一答案或一组问答对。此外，我们提出一种新颖的往返预测方法，迭代生成我们的模型在第一遍中未能找到的额外解释，然后验证并过滤掉不正确的问答对，从而得到最终消歧的输出。我们的模型名为 Refuel，在 AmbigQA 数据集上达到了新的 SOTA 性能，并在 NQ-Open 和 TriviaQA 上展现出有竞争力的性能。所提出的往返预测是一种模型无关的通用于回答歧义开放域问题的方法，它改进了我们的 Refuel 以及若干基线模型。我们在 https://github.com/amzn/refuel-open-domain-qa 发布了模型和实验的源代码。
引用
@article{arxiv.2011.13137,
title = {Answering Ambiguous Questions through Generative Evidence Fusion and Round-Trip Prediction},
author = {Yifan Gao and Henghui Zhu and Patrick Ng and Cicero Nogueira dos Santos and Zhiguo Wang and Feng Nan and Dejiao Zhang and Ramesh Nallapati and Andrew O. Arnold and Bing Xiang},
journal= {arXiv preprint arXiv:2011.13137},
year = {2021}
}
备注
ACL 2021 main conference, 14 pages, 7 figures. Code will be released at https://github.com/amzn/refuel-open-domain-qa