多跳问答

问答（QA）任务长期以来吸引了大量研究兴趣。其与语言理解和知识检索任务的相关性，以及简单的设定，使得 QA 任务对于强大的 AI 系统至关重要。近期在简单 QA 任务上的成功已将焦点转向更复杂的设定。其中，多跳问答（MHQA）是近年来研究最多的任务之一。广义而言，MHQA 是回答自然语言问题的任务，这些问题涉及提取并组合多条信息并进行多步推理。一个多跳问题的例子是“阿根廷 PGA 锦标赛纪录保持者在全球赢得了多少项锦标赛？”。回答该问题需要两条信息：“谁是阿根廷 PGA 锦标赛锦标赛的纪录保持者？”以及“[子问题1的答案]赢得了多少项锦标赛？”。回答多跳问题并执行多步推理的能力可显著提升 NLP 系统的实用性。因此，该领域涌现了大量高质量数据集、模型与评估策略。‘多跳’的概念有些抽象，这导致了需要多跳推理的大量不同任务。这带来了彼此差异显著的不同数据集与模型，并使该领域难以泛化与综述。我们旨在提供 MHQA 任务的一般形式化定义，并整理与总结现有的 MHQA 框架。我们还概述了构建 MHQA 数据集的一些最佳实践。本书对该高度有趣却颇具挑战性的任务提供了系统而详尽的介绍，并对现有尝试进行了结构化梳理。