面向大规模多跳阅读理解认知图
计算与语言
2019-06-05 v2
摘要
我们提出了一种用于网络规模文档中多跳问答的新的 CogQA 框架。受认知科学中双过程理论的启发，该框架通过协调隐式抽取模块（系统 1）与显式推理模块（系统 2），在迭代过程中逐步构建一张\textit{认知图}。在给出准确答案的同时，我们的框架进一步提供了可解释的推理路径。具体而言，我们基于 BERT 和图神经网络的实现高效处理了 HotpotQA fullwiki 数据集中的数百万篇文档以进行多跳推理问题，在排行榜上取得了 34.9 的联合 得分，而最佳竞争者为 23.6。
引用
@article{arxiv.1905.05460,
title = {Cognitive Graph for Multi-Hop Reading Comprehension at Scale},
author = {Ming Ding and Chang Zhou and Qibin Chen and Hongxia Yang and Jie Tang},
journal= {arXiv preprint arXiv:1905.05460},
year = {2019}
}
备注
ACL 2019