在摘要中回答：基于多任务学习的带证据抽取多跳问答
计算与语言
2019-05-30 v2
摘要
利用文本源进行问答（QA），例如用于阅读理解（RC），已引起广泛关注。本研究聚焦于可解释多跳QA任务，该任务要求系统通过推理并收集参考文本中分散的片段，返回带有证据句子的答案。它提出了用于证据抽取的查询聚焦抽取器（QFE）模型，并与QA模型采用多任务学习。QFE受抽取式摘要模型的启发；与独立抽取每条证据句子的现有方法相比，它利用带有对问句注意力机制的RNN顺序抽取证据句子。这使得QFE能够考虑证据句子之间的依赖关系，并覆盖问句中的重要信息。实验结果表明，结合简单RC基线模型的QFE在HotpotQA上取得了最先进的证据抽取分数。尽管是为RC设计的，它还在FEVER上取得了最先进的证据抽取分数，FEVER是一个基于大型文本数据库的识别文本蕴含任务。
引用
@article{arxiv.1905.08511,
title = {Answering while Summarizing: Multi-task Learning for Multi-hop QA with Evidence Extraction},
author = {Kosuke Nishida and Kyosuke Nishida and Masaaki Nagata and Atsushi Otsuka and Itsumi Saito and Hisako Asano and Junji Tomita},
journal= {arXiv preprint arXiv:1905.08511},
year = {2019}
}
备注
Accepted as a long paper at ACL 2019