面向自然语言证明生成的概率图推理
计算与语言
2021-07-07 v1
摘要
在本文中，我们研究对自然语言陈述进行推理的问题。先前的基于神经网络的方法未显式考虑答案与其证明之间的相互依赖关系。在本文中，我们提出 PRobr，一种用于联合答案预测与证明生成的新型方法。PRobr 通过诱导图模型在所有可能的证明图与答案上定义联合概率分布。我们随后在神经文本表示之上使用变分近似对模型进行优化。在多种数据集及不同设定（全监督、少样本和零样本评估）下的实验验证了 PRobr 的有效性，例如在少样本/零样本评估中 QA 准确率提升 10%–30%。我们的代码与模型可在 https://github.com/changzhisun/PRobr/ 获取。
引用
@article{arxiv.2107.02418,
title = {Probabilistic Graph Reasoning for Natural Proof Generation},
author = {Changzhi Sun and Xinbo Zhang and Jiangjie Chen and Chun Gan and Yuanbin Wu and Jiaze Chen and Hao Zhou and Lei Li},
journal= {arXiv preprint arXiv:2107.02418},
year = {2021}
}
备注
Accepted by Findings of ACL2021