基于依存图的问句分解
计算与语言
2021-04-20 v1 机器学习
摘要
QDMR 是一种用于复杂问句的意义表示，将问句分解为一系列原子步骤。尽管最先进的 QDMR 解析器采用常见的序列到序列（seq2seq）方法，但 QDMR 结构从根本上描述了输入问句中片段之间的有标记关系，因此基于依存的方法似乎适用于该任务。在本工作中，我们提出了一种基于依存图（DGs）的 QDMR 解析器，其中图中的节点为词，边描述对应于不同计算步骤的逻辑关系。我们提出（a）一种非自回归图解析器，其中所有图边同时计算；（b）一种以金标准图作为辅助监督的 seq2seq 解析器。我们发现，图解析器导致性能适度下降（0.47 降至 0.44），但由于解析器的非自回归特性，推理时间提速 16 倍，并且与 seq2seq 模型相比样本复杂度更优。其次，使用辅助图监督训练的 seq2seq 模型相比普通 seq2seq 模型对新领域具有更好的泛化能力，并且在具有长计算步骤序列的问句上表现更好。
引用
@article{arxiv.2104.08647,
title = {Question Decomposition with Dependency Graphs},
author = {Matan Hasson and Jonathan Berant},
journal= {arXiv preprint arXiv:2104.08647},
year = {2021}
}