面向非事实型问题的结论—补充式答案生成

本文致力于解决非事实型问题的结论—补充式答案生成任务，这是自然语言处理 (NLP) 与人工智能 (AI) 领域的关键问题，因为用户在接受结论前常需要补充信息。然而，当前的编码器—译码器框架难以生成此类答案，因为在尝试学习对同一非事实型问题的若干不同长篇答案时容易混淆。我们提出的解决方案称为集成网络 (ensemble network)，其超越单一短句，融合逻辑相连的结论语句与补充语句。该网络从结论译码器的输出序列中提取上下文，并基于注意力机制据此生成补充译码器状态。它还评估问题编码器输出序列与结论、补充译码器各自输出及其组合之间的贴近度。由此，生成的答案既与问题匹配，又具备与结论序列所表达上下文一致的自然补充序列。在包含“恋爱建议”与“艺术与人文”等类别的数据集上的评测表明，我们的模型输出比所测试的基线模型准确得多。