由易到难：利用简单问题生成复杂问题
计算与语言
2019-12-12 v2
摘要
本文率先尝试从知识图谱自动生成复杂问题。具体而言，我们研究如何利用现有的简单问题数据集来完成该任务，分为两种独立场景：使用目标复杂问题的子问题，或在前者不可用时使用远距离相关的伪子问题。首先，设计了一个名为 CoG2Q 的竞争性基线模型，用于将复杂查询图映射为自然语言问题。随后，我们针对上述两种场景分别提出了两个扩展模型，即 CoGSub2Q 和 CoGSub^m2Q。前者对子问题进行编码并复制，而后者进一步对多个伪子问题打分并聚合。实验结果表明，扩展模型不仅显著优于基线 CoG2Q，也优于其使用简单问题作为额外训练样本的增强变体。这证明了简单问题与对应复杂问题之间实例级联系的重要性，而 CoG2Q 通过习得参数建立模型级联系的直白数据增强可能未充分利用这种联系。
引用
@article{arxiv.1912.02367,
title = {Easy-to-Hard: Leveraging Simple Questions for Complex Question Generation},
author = {Jie Zhao and Xiang Deng and Huan Sun},
journal= {arXiv preprint arXiv:1912.02367},
year = {2019}
}