基于案例推理的机器阅读理解
计算与语言
2025-11-27 v4 信息检索
摘要
我们提出了一种准确且可解释的机器阅读理解答案抽取方法，其令人联想到经典 AI 中的案例推理（CBR）。我们的方法（CBR-MRC）基于如下假设：相似问题的上下文答案彼此间具有语义相似性。给定测试问题，CBR-MRC 首先从非参数记忆中检索一组相似案例，然后通过选择测试上下文中与所检索案例中答案的上下文表示最相似的跨度来预测答案。我们方法的半参数特性使其能将预测归因于特定的证据案例集合，这使其成为构建可靠且可调试 QA 系统的理想选择。我们表明 CBR-MRC 提供了与大型阅读器模型相当的高准确率，并分别在 NaturalQuestions 和 NewsQA 上以 11.5 和 8.4 EM 优于基线。此外，我们展示了 CBR-MRC 不仅能识别正确答案词元，还能识别具有最相关支撑证据的跨度。最后，我们观察到某些问题类型的上下文表现出比其他类型更高的词汇多样性，并发现 CBR-MRC 对这些变化具有鲁棒性，而全参数方法的性能则出现下降。
引用
@article{arxiv.2305.14815,
title = {Machine Reading Comprehension using Case-based Reasoning},
author = {Dung Thai and Dhruv Agarwal and Mudit Chaudhary and Wenlong Zhao and Rajarshi Das and Manzil Zaheer and Jay-Yoon Lee and Hannaneh Hajishirzi and Andrew McCallum},
journal= {arXiv preprint arXiv:2305.14815},
year = {2025}
}
备注
9 pages, 2 figures