基于图卷积网络的多跳问题生成
计算与语言
2021-02-10 v2 人工智能
摘要
多跳问题生成（QG）旨在通过聚合与推理来自不同段落的多个分散证据来生成与答案相关的问题。与传统的单跳QG相比，这是一项更具挑战性却较少被探索的任务，在单跳QG中，问题由包含答案的句子或同一段落中邻近句子生成，无需复杂推理。为应对多跳QG中的额外挑战，我们提出用于问题生成的多跳编码融合网络（MulQG），其通过图卷积网络以多跳方式进行上下文编码，并通过编码器推理门进行编码融合。据我们所知，我们首次在没有任何句子级信息的情况下处理跨段落多跳推理的挑战。在HotpotQA数据集上的实证结果证明了我们的方法相对于基线在自动评价指标上的有效性。此外，从人工评价来看，我们提出的模型能够生成流畅且完整性高的问题，并在多跳评价上比最强基线高出20.8%。代码已公开于 https://github.com/HLTCHKUST/MulQG 。
引用
@article{arxiv.2010.09240,
title = {Multi-hop Question Generation with Graph Convolutional Network},
author = {Dan Su and Yan Xu and Wenliang Dai and Ziwei Ji and Tiezheng Yu and Pascale Fung},
journal= {arXiv preprint arXiv:2010.09240},
year = {2021}
}
备注
Findings of EMNLP 2020