面向多跳问答的粗粒度分解与细粒度交互
计算与语言
2021-01-18 v1
摘要
近期关于问答和阅读理解的研究进展已产生在答案包含于单一连续文本段落、仅需单跳推理时超越人类表现的模型。然而，在实际场景中，许多复杂查询需要多跳推理。问答任务的关键在于文档与问题之间的语义特征交互，这广泛由双向注意力流（Bi-DAF）处理，但 Bi-DAF 通常仅捕捉复杂问题中词语的表面语义，未能捕捉中间答案的隐含语义特征。因此，Bi-DAF 部分忽略了与问题相关的上下文，且无法提取多文档中最重要的部分。在本文中，我们提出一种用于多跳问答的新模型架构，应用两种补全策略：（1）引入粗粒度复杂问题分解（CGDe）策略，在无任何额外标注的条件下将复杂问题分解为简单问题；（2）引入细粒度交互（FGIn）策略，以更好地表示文档中每个词并提取与推理路径相关更全面准确的句子。上述两种策略结合并在 SQuAD 和 HotpotQA 数据集上测试，实验结果表明我们的方法优于最先进的基线。
引用
@article{arxiv.2101.05988,
title = {Coarse-grained decomposition and fine-grained interaction for multi-hop question answering},
author = {Xing Cao and Yun Liu},
journal= {arXiv preprint arXiv:2101.05988},
year = {2021}
}