用图神经网络探索多跳阅读理解中图结构段落表示
计算与语言
2018-09-07 v1 人工智能
摘要
多跳阅读理解关注一类事实型问题，系统需要恰当地整合多条证据以正确回答问题。先前工作用局部共指信息近似全局证据，在门控注意力阅读器中用 DAG 式 GRU 层编码共指链。然而，共指所能提供的丰富推理信息有限。我们引入一种更好地连接全局证据的新方法，其形成的图比 DAG 更复杂。为在我们的图上进行证据整合，我们考察了两种近期图神经网络，即图卷积网络（GCN）和图循环网络（GRN）。在两个标准数据集上的实验表明，更丰富的全局信息带来更好的答案。我们的方法在这些数据集上的表现优于所有已发表的结果。
引用
@article{arxiv.1809.02040,
title = {Exploring Graph-structured Passage Representation for Multi-hop Reading Comprehension with Graph Neural Networks},
author = {Linfeng Song and Zhiguo Wang and Mo Yu and Yue Zhang and Radu Florian and Daniel Gildea},
journal= {arXiv preprint arXiv:1809.02040},
year = {2018}
}