基于条件感知与修正 Transformer 的问答中错误背景知识的校正
计算与语言
2020-07-01 v1 人工智能
摘要
近年来，问答的研究受到越来越多的关注。本工作致力于提供一个既符合用户意图又兼容与问题相对应的条件信息（如电子商务中的配送状态和库存信息）的答案。然而，在现实应用中这些条件可能是错误或不全的。尽管现有的问答系统已考虑外部信息，如知识库中的类别属性和三元组，但它们都假设外部信息是正确的和完整的。为缓解条件值缺陷的影响，本文提出条件感知与修正 Transformer（CAR-Transformer）。CAR-Transformer（1）基于整个对话和原始条件值修正每个条件值，（2）对修正后的条件进行编码并利用条件嵌入来选择答案。在真实客服数据集上的实验结果表明，当问题对应的条件存在错误或缺失值时，CAR-Transformer 仍能选择合适的回复，并在自动和人工评测上大幅优于基线模型。所提出的 CAR-Transformer 可扩展到其他需要考虑条件信息的 NLP 任务。
引用
@article{arxiv.2006.16722,
title = {Correction of Faulty Background Knowledge based on Condition Aware and Revise Transformer for Question Answering},
author = {Xinyan Zhao and Xiao Feng and Haoming Zhong and Jun Yao and Huanhuan Chen},
journal= {arXiv preprint arXiv:2006.16722},
year = {2020}
}