改进模块化方法在文本复杂问答中数值推理能力
计算与语言
2021-09-07 v1 人工智能
摘要
数值推理能力对于文本上的复杂问答(CQA)至关重要。它需要计数、比较、加减等运算。一种成功的文本 CQA 方法——神经模块网络(NMNs)——遵循程序员-解释器范式,并利用专用模块执行组合推理。然而,NMNs 框架未考虑问题与段落中数字与实体之间的关系。我们提出有效技术,通过使解释器具备问题感知能力并捕捉实体与数字间的关系,来改进 NMNs 的数值推理能力。在相同的 DROP 文本 CQA 数据集子集上,实验结果表明我们的补充使整体 F1 分数相较原始 NMNs 提升了 3.0 个点。
引用
@article{arxiv.2109.02289,
title = {Improving Numerical Reasoning Skills in the Modular Approach for Complex Question Answering on Text},
author = {Xiao-Yu Guo and Yuan-Fang Li and Gholamreza Haffari},
journal= {arXiv preprint arXiv:2109.02289},
year = {2021}
}