AAAINov, 2019

可解释的多文档多跳阅读理解：选择、回答与解释

PDF
TL;DR本文提出了一个可解释的 Select, Answer and Explain (SAE) 系统解决多文档阅读理解问题，该系统通过使用学习排名损失训练文档分类器来选择与答案有关的文档，并使用多任务学习目标和基于注意的交互来优化预测答案和支持句子的模型，在 HotpotQA 数据集上取得了顶尖性能。
multi-hop reading comprehensioninterpretableselect, answer and explain systemattention-based interactionhotpotqa
发现论文，激发创造
  • 探索、提出和组合：一种可解释的多阶段阅读理解模型

    提出了一个名为 Explore-Propose-Assemble reader (EPAr) 的可解释的 3 模块系统，用于多跳阅读理解，通过迭代选择相关文档、提出答案和提取关键句子等步骤，有效地实现了人类读者对多个长文档进行粗到细的理解行为。在 WikiHop 和 MedHop 等数据集上进行实验，与基线和现有模型相比，该模型取得了明显的验证结果和竞争优势。

    Jun, 2019

  • Summarize-then-Answer: 生成多跳阅读理解简明解释

    提出了一种基于抽象化的方法来生成问题相关的简明解释，该方法通过半监督的学习方式训练模型，使用一种关注简洁性的奖励函数来获得更为紧凑的解释。实验证明，在有限的监督下，提出的抽象化解释器生成的解释比传统的摘要解释器更为简洁。

    Sep, 2021

  • 通过异构图推理跨多个文档的多跳阅读理解

    本文提出了一种名为异构文档 - 实体图（HDE）的图形结构，并使用基于图神经网络的消息传递算法在 HDE 图上进行推理，以解决多跳阅读理解问题。实现了单个 HDE 模型的有竞争力的结果和集合模型的最先进性能.

    May, 2019

  • 答案生成与摘要：基于证据抽取的多阶段问答多任务学习

    该研究提出了一种基于 Query Focused Extractor (QFE) 模型的可解释的多跳问答系统，使用多任务学习并结合了问答模型进行证据点提取，实验结果表明该模型在 HotpotQA 和 FEVER 任务中达到了最佳证据提取效果。

    May, 2019

  • 多篇文档阅读理解的深度级联模型

    本研究提出一种深度串级学习模型来平衡在线问答系统的效能和效率之间的基本权衡，在多文档的 MRC 场景中取得更好的效果并能够在不到 50 毫秒内稳定地为数百万日请求提供服务。

    Nov, 2018

  • 寻址再问：透明的逐步推理用于多跳问答

    本文提出了一个解释性逐步推理框架，将单跳支持句子识别和单跳问题生成结合起来，并利用当前跳的推理来推导出最终结果。我们使用一个统一的读者模型进行中间跳推理和最终跳推理，并采用联合优化来实现更精确和稳健的多跳推理，取得了良好的实验效果。

    Aug, 2022

  • 通过问题分解和重评分的多跳阅读理解

    该研究通过将复杂问题分解为多个单一问题并利用单一问题回答模型回答得出答案，提出了一种多跳阅读理解系统，并提出了一种新的全局重新打分方法，大大提升了系统准确度。

    Jun, 2019

  • 检索与阅读：信息检索和阅读理解的多任务学习

    本研究提出一种简单而有效的方法，通过使用监督多任务学习，将 IR 和 RC 任务结合起来，以考虑答案跨度来训练 IR 组件，实现大规模机器阅读，从而取得了最先进的表现。

    Aug, 2018

  • 构建跨文档多跳阅读理解数据集

    该研究提出了一项新的任务，以鼓励模型跨多个文档进行文本理解并探究现有方法的限制。 该任务要求模型学习查找和组合证据，从而实现多跳（别名为多步）推理，但两个先前的竞争性模型都在选择相关信息方面遇到了困难。

    Oct, 2017

  • 多文档阅读理解

    本文介绍了阅读理解及其在自然语言处理领域的发展，并研究了单文档阅读理解作为多文档阅读理解系统的基础的作用，同时介绍了 RE3QA 模型作为多文档阅读理解系统的最佳答案提取工具。

    Jan, 2022