面向半结构化表格问答的神经多步推理
计算与语言
2018-03-23 v2
摘要
近年来，由于日益流行的神经网络方法，自然语言处理任务的进展势头强劲。在本文中，我们探索了深度学习技术，用于回答针对半结构化表格进行操作的多步推理问题。这里的挑战源于问题所表达的逻辑组合性程度，以及领域的开放性。我们的方法是弱监督的，在问题-答案-表格三元组上训练，无需中间强监督。它执行两个阶段：首先，遵循 [Pasupat 和 Liang, 2015] 的工作，从自然语言问题生成机器可理解的逻辑形式（程序）。其次，使用词和字符卷积神经网络，将逻辑形式和问题的释义嵌入到一个联合学习的向量空间中。进一步使用神经评分函数来排序和检索问题最可能的逻辑形式（解释）。我们最好的单一模型在 WikiTableQuestions 数据集上达到了 34.8% 的准确率，而我们模型的最佳集成将该任务的最新水平分数推至 38.7%，从而略微超越了工程特征评分基线以及 [Neelakantan 等人, 2016] 的 Neural Programmer 模型。
引用
@article{arxiv.1702.06589,
title = {Neural Multi-Step Reasoning for Question Answering on Semi-Structured Tables},
author = {Till Haug and Octavian-Eugen Ganea and Paulina Grnarova},
journal= {arXiv preprint arXiv:1702.06589},
year = {2018}
}