面向问答的多价蕴含图
计算与语言
2021-09-21 v2
摘要
在开放域自然语言谓词间进行推理是真正语言理解的必要条件。为此目的，无监督学习蕴含图已取得诸多进展。我们作出三点贡献：（1）重新解释分布包含假设以建模不同价谓词间的蕴含，如 DEFEAT(Biden, Trump) 蕴含 WIN(Biden)；（2）通过学习开放域谓词的无监督多价蕴含图将这一理论付诸实践；以及（3）在一项新颖的问答任务上展示这些图的能力。我们表明，在细粒度语义问题上，有向蕴含比双向相似性更有助于推理。我们还表明，跨价援引证据比仅使用同价证据能回答更多问题。
引用
@article{arxiv.2104.07846,
title = {Multivalent Entailment Graphs for Question Answering},
author = {Nick McKenna and Liane Guillou and Mohammad Javad Hosseini and Sander Bijl de Vroe and Mark Johnson and Mark Steedman},
journal= {arXiv preprint arXiv:2104.07846},
year = {2021}
}
备注
Accepted to EMNLP 2021