KCS：基于知识构成抽样的多跳问题生成扩充

多跳问题解答面临数据稀疏的重大挑战，这增加了语言模型学习虚假模式的可能性。为了解决这一问题，先前的研究主要通过内容规划和 varied expression来增加问题生成的多样性。然而，这些方法往往强调生成简单问题，忽略了整合必要知识（如文档中相关句子）的需求。本文引入知识构成抽样（KCS），一种创新的框架，通过在给定上下文内抽样不同的知识构成来扩充生成多跳问题的多样性。KCS将知识构成选择建模为句子级别的条件预测任务，并利用概率对比损失预测下一个最相关的知识。推理过程中，我们采用随机解码策略有效平衡准确性和多样性。与竞争性基线相比，KCS在知识构成选择方面提高了3.9%的整体准确率，其用于数据增强在HotpotQA和2WikiMultihopQA数据集上取得改进。我们的代码可在：https://github.com/yangfanww/kcs获取。