用于多跳问题生成的强化多任务方法
计算与语言
2020-11-03 v4
摘要
问题生成（QG）试图解决问答（QA）的逆问题，即在给定文档与答案时生成自然语言问题。尽管序列到序列神经模型超越了基于规则的系统，但其在聚焦于多于一个支撑事实方面的能力有限。对于QG，我们常需要多个支撑事实以生成高质量问题。受近期QA中多跳推理工作的启发，我们着手研究多跳问题生成，旨在基于上下文中的支撑事实生成相关问题。我们采用多任务学习，以答案感知的支撑事实预测为辅助任务来引导问题生成器。此外，我们还在强化学习（RL）框架下提出了一个问题感知奖励函数，以最大化支撑事实的利用。我们通过在多跳问答数据集HotPotQA上的实验证明了方法的有效性。经验评估显示，我们的模型在BLEU、METEOR与ROUGE等自动评价指标以及针对生成问题质量与覆盖度的人工评价指标上，均优于单跳神经问题生成模型。
引用
@article{arxiv.2004.02143,
title = {Reinforced Multi-task Approach for Multi-hop Question Generation},
author = {Deepak Gupta and Hardik Chauhan and Akella Ravi Tej and Asif Ekbal and Pushpak Bhattacharyya},
journal= {arXiv preprint arXiv:2004.02143},
year = {2020}
}
备注
Accepted for publication in COLING 2020