再问一次：面向自动问题生成的精修网络
计算与语言
2019-09-13 v1 人工智能
摘要
在这项工作中，我们关注自动问题生成（AQG）任务，即给定一段文本和一个答案，生成相应的问题。期望生成的问题应满足：(i) 语法正确；(ii) 可由文本作答；(iii) 针对给定答案。对现有 AQG 模型的分析表明，它们生成的问题未能满足上述一项或多项要求。具体而言，生成的问题像是所需问题的一份不完整草稿，有明显的精修空间。为缓解这一不足，我们提出一种方法，试图模仿人类生成问题的过程：先起草初稿，再进行精修。更具体地，我们提出精修网络（RefNet），其包含两个解码器。第二个解码器使用双重注意力网络，同时关注 (i) 原始文本与 (ii) 第一个解码器生成的问题（初稿）。实际上，它对第一个解码器生成的问题进行精修，从而使其更正确、更完整。我们在三个数据集（即 SQuAD、HOTPOT-QA 和 DROP）上评估 RefNet，结果表明其在所有这些数据集上比现有最先进方法高出 7-16%。最后，我们展示了可以通过在训练期间显式奖励在相应指标（如流畅性与可答性）上有所改进的修订，来提升第二个解码器在这些特定指标上的质量。代码已公开可用 \footnote{https://github.com/PrekshaNema25/RefNet-QG}
引用
@article{arxiv.1909.05355,
title = {Let's Ask Again: Refine Network for Automatic Question Generation},
author = {Preksha Nema and Akash Kumar Mohankumar and Mitesh M. Khapra and Balaji Vasan Srinivasan and Balaraman Ravindran},
journal= {arXiv preprint arXiv:1909.05355},
year = {2019}
}
备注
accepted in EMNLP 2019 in Main Conference, (10 pages)