用于多证据问答的粗粒度细粒度协同注意力网络
计算与语言
2019-05-14 v2 人工智能
摘要
端到端神经模型在问答方面已取得显著进展,然而近期研究表明这些模型隐式地假设答案与证据在单一文档中邻近出现。本文提出粗粒度细粒度协同注意力网络(CFC),一种结合跨多个文档的证据信息的新问答模型。CFC 由一个粗粒度模块和一个细粒度模块组成:粗粒度模块依据查询解读文档并找出相关答案,细粒度模块则通过将所有文档中候选答案的出现与查询进行比较来为每个候选答案打分。我们使用协同注意力与自注意力的层次结构设计这些模块,以学习强调输入的不同部分。在 Qangaroo WikiHop 多证据问答任务上,CFC 在盲测集上取得了 70.6% 的新的最优结果,尽管未使用预训练上下文编码器,仍比先前最佳准确率高出 3%。
引用
@article{arxiv.1901.00603,
title = {Coarse-grain Fine-grain Coattention Network for Multi-evidence Question Answering},
author = {Victor Zhong and Caiming Xiong and Nitish Shirish Keskar and Richard Socher},
journal= {arXiv preprint arXiv:1901.00603},
year = {2019}
}
备注
ICLR 2019; 9 pages, 7 figures