将蕴含关系重用于多跳问答任务
计算与语言
2019-04-23 v1 人工智能
机器学习
摘要
问答（QA）自然可归约为一个蕴含问题，即验证某些文本是否蕴含某问题的答案。然而，对于需要多句推理的多跳QA任务，如何最佳地利用在SNLI等大规模数据集上预训练的、基于句子对的蕴含模型仍不明确。我们提出Multee，一种能有效将蕴含模型用于多跳QA任务的通用架构。Multee使用（i）一个局部模块以帮助定位重要句子，从而避免干扰信息；以及（ii）一个通过有效融入重要性权重来聚合信息的全局模块。重要的是，我们展示了两个模块均可使用在大规模NLI数据集上预训练的蕴含函数。我们在MultiRC和OpenBookQA两个多跳QA数据集上评估了性能。当使用在NLI数据集上预训练的蕴含函数时，Multee优于仅在目标QA数据集上训练的QA模型及OpenAI transformer模型。代码见 https://github.com/StonyBrookNLP/multee。
引用
@article{arxiv.1904.09380,
title = {Repurposing Entailment for Multi-Hop Question Answering Tasks},
author = {Harsh Trivedi and Heeyoung Kwon and Tushar Khot and Ashish Sabharwal and Niranjan Balasubramanian},
journal= {arXiv preprint arXiv:1904.09380},
year = {2019}
}
备注
Accepted at NAACL'19