以最小监督为问答创建因果嵌入
计算与语言
2016-09-27 v1
摘要
问答（QA）的一个常见模型是，好的答案与问题密切相关，其中相关性通常使用诸如词嵌入等通用词汇模型来确定。我们认为，一种更好的方法是寻找根据问题的信息需求以相关方式与问题相关的答案，这可以通过任务特定的嵌入来确定。以因果关系作为用例，我们分三步实现了这一见解。首先，我们通过使用一小组种子模式从自由文本中提取因果对，以低成本方式生成因果嵌入。其次，我们通过使用任务特定的上下文（即原因的上下文是其结果）在该数据上训练专用嵌入。最后，我们扩展了 QA 的最先进重排序方法以纳入这些因果嵌入。我们通过因果蕴含任务直接评估因果嵌入模型，并在使用 Yahoo! Answers 数据的下游因果 QA 任务中间接评估。我们表明，显式建模因果关系能改善两个任务中的性能。在 QA 任务中，我们的最佳模型达到了 37.3% 的 P@1，显著优于强基线 7.7%（相对）。
引用
@article{arxiv.1609.08097,
title = {Creating Causal Embeddings for Question Answering with Minimal Supervision},
author = {Rebecca Sharp and Mihai Surdeanu and Peter Jansen and Peter Clark and Michael Hammond},
journal= {arXiv preprint arXiv:1609.08097},
year = {2016}
}
备注
To appear in EMNLP 2016