融合外部知识增强的神经自然语言推理模型
计算与语言
2020-03-04 v3
摘要
对自然语言推理进行建模是一项极具挑战性的任务。随着大规模标注数据的出现，训练诸如基于神经网络的推理模型等复杂模型近期已变得可行，这类模型已被证明能够达到最先进的性能。尽管存在相对较大的标注数据，机器能否从这些数据中学习到执行自然语言推理(NLI)所需的全部知识？如果不能，基于神经网络的NLI模型如何受益于外部知识，又如何构建NLI模型以利用这些知识？本文中，我们用外部知识来丰富最先进的神经自然语言推理模型。我们证明所提出的模型改进了神经NLI模型，从而在SNLI和MultiNLI数据集上达到了最先进的性能。
引用
@article{arxiv.1711.04289,
title = {Neural Natural Language Inference Models Enhanced with External Knowledge},
author = {Qian Chen and Xiaodan Zhu and Zhen-Hua Ling and Diana Inkpen and Si Wei},
journal= {arXiv preprint arXiv:1711.04289},
year = {2020}
}
备注
Accepted by ACL 2018