向量空间中的推理：问答探索性研究
计算与语言
2016-02-29 v4
摘要
问答任务在分布式向量表示下取得了显著进展。本文研究了最近提出的 Facebook bAbI 任务，该任务包含二十类需要复杂推理的问题。由于先前关于 bAbI 的工作均为端到端模型，错误可能源于对语义的不完善理解或推理的某些步骤。为更清晰分析，我们提出两种受张量积表示(TPR)启发的向量空间模型，以基于常识推理进行知识编码与逻辑推理。它们共同在所有类别上达到了近乎完美的准确率，包括此前大多数方法难以解决的位置推理与路径寻找。我们假设这些类别的困难源于多关系，而其他类别具有单关系特性。我们的探索为设计更复杂的数据集以及将 TPR 透明且可解释的形式化整合进现有学习范式迈出了一步。
引用
@article{arxiv.1511.06426,
title = {Reasoning in Vector Space: An Exploratory Study of Question Answering},
author = {Moontae Lee and Xiaodong He and Wen-tau Yih and Jianfeng Gao and Li Deng and Paul Smolensky},
journal= {arXiv preprint arXiv:1511.06426},
year = {2016}
}