https://aclanthology.org/N19-1030/
摘要
这里介绍了一个检索器-阅读器的模型，它是专门建立在大规模文本库上的多项选择器阅读理解任务，检索器利用关键字抽取技术提高了检索结果与问题的相关性，阅读器根据检索结果，问题和选项建立了网络模型。
主要有两部分
- 检索器
找出问题中最重要的单词，和选项一起生成query，去长文本中查询相应的片段
- 阅读器
区分关键字和干扰字去预测答案
引言
QA面临的问题
- 有些问题，很难在文中找相应的依据
- 回答问题的形式是多样化的
- 机器需要去理解很长且复杂的文本，而不是简单的匹配
解决方法
要么用整合常识，要么提高检索能力，以便更好地找到答案
方法
阅读器
阅读器的输入是问题Q，选项\(C_{i}\)和\(P_{i}\)。
Input Layer
每个单词需要经历以下Embedding
Word Embedding
预训练的GloVe词嵌入，维度是300
Part-of-Speech Embedding and Named-Entity Embedding
对单词的词性和命名实体进行编码，16维的
Relation Embedding
利用大规模单词关系图ConceptNet获得文章中的每个单词与问题及选项中每个单词的关系。例如“汽车”和“行驶”之间的关系就可以为“可以”，“卡车” 和“汽车”之间的关系可以为”是一种“。然后，ET-RR建立编码字典，每种关系都有一个10维的编码，将单词w找到的关系r所对应的编码拼接在w的单词编码后，如果单词w和问题及选项中有多种的话，随机选一种
Feature Embedding
根据文章P中的单词w是否在问题和选项中出现，ET-RR给w加入了一个1维的0/1精确匹配编码，还加入了一个w出现频率的对数也作为一维编码
Attention Layer
经过上面的四个编码后，问题中所有单词的词向量矩阵\(W_{Q}\)和所有选项拼接而成的文本的向量组成的词向量矩阵\(W_{C}\)，和所有文章单词的词向量矩阵\(W_{P}\)
通过上面公式分别计算
1.文章到问题的注意力向量\(W^{Q}_{P}\)
2.选项到问题的注意力向量\(W^{Q}_{C}\)
3.选项到文章的注意力向量\(W^{P}_{C}\)
Sequence Modeling Layer
这里使用双向LSTM处理输入层和注意力层的单词表示
Fusion Layer
问题和选项经过单词向量加权和，各自用一个向量q和c来表示
\(w_{sq}\)和\(w_{sc}\)为参数向量，\(w_{e}\)向量是关键字选择器的输出，格式为
其中\(w_{ei}\)的值的Q中第i个字是否为关键字，1为是，0为不是
Choice Interaction
将\(H^{C_n}\)(\(H^{C}\)中最后一个隐藏状态)和每一个隐藏状态\(H^{C_i}\)，通过下面公式
然后拼接
Output Layer
输入为
输出为
检索器
通过上图可以看出有检索器的话，查找依据就准确很多
给定问题Q和N个选项\(C_{i},..,C_{N}\)，就是想预测\(Q_{i}\)是否为关键字，1代表是，0代表不是。
检索器的结构和阅读器的结构差不多，Q和C经过输入层获得了嵌入矩阵表示后，然后经过注意力层计算带有选项感知的问题表示\(W^{C}_{Q}\)，
然后送入到序列模型层得到
然后就计算y
原文地址：http://www.cnblogs.com/bzwww/p/16900475.html
