IJCAIJun, 2020

基于路径图卷积神经网络的跨文档多跳阅读理解

PDF
TL;DR本文提出了一种基于人类推理处理的新方法来解决多文档的多跳阅读理解问题，我们构建了一种基于路径的推理图来结合基于图和路径的方法，并使用了一个新的问题感知门控机制来调节在文档间传播的信息信息的有用性以及在推理期间添加问题信息。在 WikiHop 数据集上，我们的方法实现了先前发布方法的最新进展，尤其是我们的组合模型超过了人类的表现水平 4.2％。
multi-hop reading comprehensionpath-based reasoning graphgated-rgcnwikihop datasetensemble model
发现论文，激发创造
  • 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

  • 探索基于图神经网络的图结构段落表示在多跳阅读理解中的应用

    通过新方法引入更多的全局证据来连接更复杂的图表，并使用图神经网络进行证据融合，从而提高了问题解答的效果。

    Sep, 2018

  • 利用显式路径进行多跳阅读理解

    本研究提出了一种基于路径的推理方法，用于多跳阅读理解任务，该方法结合了多个段落的事实来回答问题，并以 PathNet 模型为例，使用实体对表示方法从文本中提取隐含关系并编码路径。我们展示了该方法在多跳 Wikihop 数据集上的优异表现，并且可以推广到 OpenBookQA 数据集，达到最先进的性能水平。

    Nov, 2018

  • 使用图卷积网络跨文档进行推理的问答

    本研究提出了一种基于神经模型和图卷积网络的阅读理解方法，可以跨多个文档进行多步推理和信息推理，并在 WikiHop 数据集上实现了最先进的结果。

    Aug, 2018

  • 规模化多跳阅读理解的认知图

    本文提出了一种新的 CogQA 框架，用于在 Web 规模文件中进行多跳问题回答。该框架通过协调隐式提取模块（系统 1）和显式推理模块（系统 2）逐步构建认知图。我们的实现基于 BERT 和图神经网络，可高效地处理 HotpotQA fullwiki 数据集中的数百万文档，从而实现在榜单上的胜利。

    May, 2019

  • 关系图卷积神经网络用于多跳推理的比较研究

    本文旨在探索多站点问答任务的 RGCN 模型、图形关系和节点嵌入，并在 WikiHop 数据集上经验性地探讨每个关系、节点类型和嵌入对多站点 QA 性能的影响。

    Oct, 2022

  • 学习在维基百科图上检索推理路径用于问答

    介绍了一种基于图形的循环检索方法，学习在 Wikipedia 图形上检索推理路径来回答多跳开放域问答问题。该方法在三个开放域 QA 数据集上实现了最新技术成果，特别是在 HotpotQA 中表现出显著的改进，超过了以前最好的模型 14 个百分点以上。

    Nov, 2019

  • 无图谱多跳阅读理解：一种选择 - 引导策略

    本文提出了一种新颖的无图替代方法，采用 select-to-guide 策略并结合两种新颖的注意机制，在 HotpotQA 数据集上明显优于基准和当前最新的状态 - of-the-art。

    Jul, 2021

  • 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

  • 基于文档图网络的多跳问答支持事实识别

    本文提出了文档图网络（DGN），一种用于识别文本的支持事实的消息传递架构，该架构基于图形式表达的文本结构表示。在 HotpotQA 的评估中，DGN 在多跳推理任务中获得了与基于阅读理解的基线模型相当的结果，证实了结构化表示对于支持多跳推理的相关性。

    Oct, 2019