FlowQA：把握历史脉络的对话式机器理解
计算与语言
2019-04-17 v3 人工智能
摘要
对话式机器理解需要理解对话历史，例如先前问答对、文档上下文与当前问题。为使传统单轮模型全面编码历史，我们引入 Flow，一种可通过交替并行处理结构，将回答先前问题时生成的中间表示纳入其中的机制。相较于将先前问答拼接为输入的方法，Flow 更深入地融合了对话历史的潜在语义。我们的模型 FlowQA 在最近提出的两个对话式挑战上表现优越（CoQA 上 F1 提升 +7.2%，QuAC 上 +4.0%）。Flow 的有效性也体现在其他任务中。通过将顺序指令理解归约为对话式机器理解，FlowQA 在 SCONE 的三个域上均超越最优模型，准确率提升 +1.8% 至 +4.4%。
引用
@article{arxiv.1810.06683,
title = {FlowQA: Grasping Flow in History for Conversational Machine Comprehension},
author = {Hsin-Yuan Huang and Eunsol Choi and Wen-tau Yih},
journal= {arXiv preprint arXiv:1810.06683},
year = {2019}
}
备注
15 pages, Published at ICLR 2019