FlowDelta：在对话机器理解的推理中建模信息流增益
计算与语言
2020-01-20 v3 人工智能
摘要
对话机器理解需要对对话流有深入理解，先前工作提出 FlowQA 以在推理中隐式建模上下文表示从而获得更好理解。本文提出显式建模通过对话推理获得的信息增益，以使模型聚焦于更具信息量的线索。所提模型在对话 QA 数据集 QuAC 与顺序指令理解数据集 SCONE 上取得了最先进的性能，显示了所提机制的有效性，并展示了其泛化到不同 QA 模型与任务的能力。
引用
@article{arxiv.1908.05117,
title = {FlowDelta: Modeling Flow Information Gain in Reasoning for Conversational Machine Comprehension},
author = {Yi-Ting Yeh and Yun-Nung Chen},
journal= {arXiv preprint arXiv:1908.05117},
year = {2020}
}
备注
Accepted by the 2nd Workshop on Machine Reading for Question Answering (MRQA), EMNLP 2019 Workshop