通过问题生成实现无监督多跳问答
计算与语言
2021-04-13 v2 人工智能
摘要
获取多跳问答（QA）的训练数据耗时且耗费资源。我们探索了在不引用任何人工标注的多跳问答对的情况下训练性能良好的多跳 QA 模型的可能性，即无监督多跳 QA。我们提出 MQA-QG，一种可从同质与异质数据源生成类人多跳训练数据的无监督框架。MQA-QG 通过先从各数据源选择/生成相关信息，再整合多源信息构成多跳问题来生成问题。仅使用生成的训练数据，我们就能训练出在 HybridQA 与 HotpotQA 数据集上分别达到有监督学习性能 61% 与 83% 的合格多跳 QA 模型。我们还表明，用生成数据预训练 QA 系统将极大减少对人工标注训练数据的需求。我们的代码公开于 https://github.com/teacherpeterpan/Unsupervised-Multi-hop-QA。
引用
@article{arxiv.2010.12623,
title = {Unsupervised Multi-hop Question Answering by Question Generation},
author = {Liangming Pan and Wenhu Chen and Wenhan Xiong and Min-Yen Kan and William Yang Wang},
journal= {arXiv preprint arXiv:2010.12623},
year = {2021}
}
备注
NAACL 2021 (long paper)