利用外部知识改进问答系统
计算与语言
2019-10-03 v3
摘要
我们关注科学等学科领域的多选问答（QA）任务，其中既需要广泛的背景知识，也需要给定学科领域参考语料中的事实。在这项工作中，我们探索了利用两类外部知识源用于学科领域 QA 的简单而有效的方法。第一类用从开放域资源（即 Wikipedia）提取的、覆盖问题与答案选项中潜在歧义概念的相关文本片段，来丰富原始学科领域参考语料。与其他 QA 研究一样，第二类方法通过追加额外的领域内学科实例来增加训练数据量。在三个具有挑战性的多选科学 QA 任务（即 ARC-Easy、ARC-Challenge 和 OpenBookQA）上的实验证明了我们方法的有效性：与先前最优（state-of-the-art）相比，我们分别获得了高达 8.1%、13.0% 和 12.8% 的准确率绝对提升。虽然我们观察到引入 Wikipedia 知识带来了一致的提升，但我们发现采用额外的 QA 训练实例并非普遍有益：当所加实例比原始训练数据难度更高时，性能会下降。作为首批探索利用非结构化外部知识进行学科领域 QA 的研究之一，我们希望我们的方法、观察以及对所暴露局限性的讨论能为该领域的进一步发展提供启示。
引用
@article{arxiv.1902.00993,
title = {Improving Question Answering with External Knowledge},
author = {Xiaoman Pan and Kai Sun and Dian Yu and Jianshu Chen and Heng Ji and Claire Cardie and Dong Yu},
journal= {arXiv preprint arXiv:1902.00993},
year = {2019}
}
备注
Accepted to MRQA (2019)