通过多层次内容规划改进问题生成
计算与语言
2023-10-24 v2
摘要
本文研究从给定上下文和答案生成问题的问题，特别关注需要跨长上下文进行多跳推理的问题。先前研究表明，关键短语选择对问题生成（QG）至关重要，但将这些不连贯的短语连接成有意义的问题仍具挑战性，尤其对于长上下文。为缓解此问题，我们提出 MultiFactor，一种基于多层次内容规划的新型 QG 框架。具体而言，MultiFactor 包含两个组件：FA-model，其同时选择关键短语并生成完整答案；以及 Q-model，其将生成的完整答案作为额外输入来生成问题。此处引入完整答案生成，以将短答案与所选关键短语连接，从而形成答案感知摘要以促进 QG。FA-model 和 Q-model 均被形式化为简洁而有效的短语增强 Transformer（Phrase-Enhanced Transformer），即我们用于短语选择与文本生成的联合模型。实验结果表明，我们的方法在两个流行 QG 数据集上优于强基线。我们的代码可在 https://github.com/zeaver/MultiFactor 获取。
引用
@article{arxiv.2310.13512,
title = {Improving Question Generation with Multi-level Content Planning},
author = {Zehua Xia and Qi Gou and Bowen Yu and Haiyang Yu and Fei Huang and Yongbin Li and Cam-Tu Nguyen},
journal= {arXiv preprint arXiv:2310.13512},
year = {2023}
}
备注
Camera-ready. Accepted by EMNLP 2023 Findings