面向句子级 TextGraphs 的多跳推理：在科学问答中有意义地组合信息面临多大挑战？
计算与语言
2018-05-30 v1
摘要
复杂问题的问答通常被建模为图构建或图遍历任务，其中求解器必须构建或遍历一个能够回答并解释给定问题的事实图。这种“多跳”推理已被证明极具挑战性，很少有模型能够在被“语义漂移”（即长事实链迅速偏离主题的趋势）淹没之前聚合超过两个事实。这是当前推理模型的主要障碍，因为即使是基础科学问题也需要平均 4 到 6 个事实才能回答和解释。在本研究中，我们通过评估基于三个自由文本语料库（包括学习指南和 Simple Wikipedia）构建的知识图谱中 9,784 个人工标注判断的随机句子聚合质量，实证地表征了构建或遍历由词汇重叠连接的句子图的难度。我们证明语义漂移往往较高，而聚合质量较低（介于 0.04% 和 3% 之间），并突出了能够最大化有意义地组合信息可能性的场景。
引用
@article{arxiv.1805.11267,
title = {Multi-hop Inference for Sentence-level TextGraphs: How Challenging is Meaningfully Combining Information for Science Question Answering?},
author = {Peter Jansen},
journal= {arXiv preprint arXiv:1805.11267},
year = {2018}
}
备注
Accepted to TextGraphs 2018. Expanded version with Appendix