注意力记忆网络：面向对话式搜索的高效机器阅读

对话系统近期的进展改变了搜索范式。传统上，用户向搜索引擎发出查询，搜索引擎基于其索引返回答案，可能利用外部知识库并以搜索会话中较早的交互为条件。在自然对话中，还有另一个需考虑的信息源：对话中较早产生的话语也可被引用，对话式 IR 系统必须跟踪用户在对话中传达的信息，即便是隐式的。我们认为，构建对话表示的过程可框定为机器阅读任务，即向自动化系统呈现若干陈述并让其据此回答问题。问题应仅通过参考所给陈述来回答，而不咨询外部知识。信息检索界采纳该任务的时机已经成熟，既可将其作为独立任务，也可将其集成于更宽泛的对话式搜索场景中。本文中，我们聚焦作为独立任务的机器阅读，并提出注意力记忆网络（AMN），一种端到端可训练的机器阅读算法。其关键贡献在于效率，通过具有层次化输入编码器、仅对输入迭代一次来实现。速度是对话式搜索场景中的重要需求，因为对话轮次间的间隙会对自然性产生不利影响。在常用于评估机器阅读算法的 20 个数据集上，我们表明 AMN 取得了与 SOTA 模型相当的性能，同时计算量显著更少。