论文浅尝 | 通过文本到文本神经问题生成的机器理解

栏目: 编程工具 · 发布时间: 5年前

Last updated on 2019年7月1日

论文笔记整理:程茜雅,东南大学硕士,研究方向:自然语言处理,知识图谱。

论文浅尝 | 通过文本到文本神经问题生成的机器理解

Citation: Yuan X, WangT, Gulcehre C, et al. Machine comprehension by text-to-text neural question generation[J]. arXiv preprint arXiv:1705.02012, 2017.

动机

1、 在智能系统里提出合适的问题有利于信息获取。

2、 学会提出问题有利于提高回答问题的能力。

3、 在大多数 QA(Question Answering) 数据集中回答问题属于抽取式 (extractive) 任务,相比较而言,提出问题属于生成式 (abstractive) 任务。

4、 提出一个好的问题所包含的技能远超于回答问题所需的技能。因为一个问题通常只有一个答案,但是针对一个答案可能有多个问题。因此提出一个高质量的问题较难。

5、QG(Question Generation) 应用广泛。譬如:为 QA 生成训练数据,自动导师系统等。

基于上述动机,本文构建了一个用于 QG 的神经模型,并将其应用在包含 QA 的任务中。这是第一个针对 QG 的端到端、文本到文本的模型。

方法

本文使用了 encoder-decoder 框架,其中 encoder 负责处理答案和文本, decoder 负责生成问题。最后使用强化学习训练模型。

1、Encoder-Decoder 框架

(1) Encoder

输入问题的答案和与问题有关的文本这两段序列。获取它们的 word embeddings 。给文本中每个 word embedding 增加一个二元特征来表示文本中的单词是否属于答案。使用双向 LSTM 神经网络对文本进行编码,得到每个单词的 annotation 向量 ( 其实就是隐状态 ) ,并最终得到文本的语境向量。另外,将文中属于答案的单词的 annotation 向量组合起来,并且和答案的 wordembedding 一一对应联结,并输入到一个双向 LSTM 神经网络中进行编码,将每个方向的隐状态联结起来得到基于文本的答案编码向量( extractive condition encoding )。将该 extractive condition encoding 和文本的语境向量相联结,得到最终的语境向量,送入 decoder 中。

(2) Decoder

基于 encoder 的文本和答案,生成问题。并使用了 pointer-softmax formulation ,选择从原文本中 copy 或者自己生成。使用 LSTM 和 attention 机制生成问题。

2、 政策梯度优化

(1) 动机

因为在训练 encoder-decoder 模型的过程中通常会使用 teacher forcing ,该方法存在一个弊端,它会阻止模型犯错,进而无法从错误中学习。所以本文使用强化学习来缓解这个问题。

(2) Rewards

本文在强化学习过程中使用了两种 rewards ,分别是 QA 的精确度结果 R_qa 和流畅性 R_ppl 。

QA : 将模型生成的问题和原文本输入到 QA 模型中 ( 本文用的是 MPCM 模型 ) ,得到答案,将该答案的精确度作为 reward R_qa ,对模型进行激励。

流畅性 (PPL) : 衡量生成问题的流畅性和语法正确性作为 reward R_ppl ,本文使用了 perplexity 。

最后分别对 R_qa 和 R_ppl 赋予权重,并相加得到总的 reward 。

(3) Reinforce

使用 REINFORCE 算法最大化模型的预期 reward 。

实验

1、 数据集

本文使用的是 SQuAD 数据集。

2、Baseline

使用包含 attention 和 pointer-softmax 的 Seq2Seq 模型作为 baseline 模型。该模型除了在获取基于文本的答案编码向量( extractive condition encoding )的方法上与本文的模型不同之外,其余部分和本文的模型一样, baseline 模型将所有文本的 annoation 向量取平均值作为基于文本的答案编码向量( extractive condition encoding )。

3、 评测方法

本文只使用了自动评测的方法。评测指标分别是 :NLL(negative log-likelihood) 、 BLEU 、 F1 、 QA(MPCM 生成的问题精度 ) 和 PPL(perplexity) 。

评测结果如下图所示:

论文浅尝 | 通过文本到文本神经问题生成的机器理解

4、 结论

(1) 模型的 BLEU 值很低,这是因为针对一个文本和答案,可能有多个不同的问题。

(2)baseline 模型生成的问题流畅但比较模糊,本文的模型生成的问题更加具体,但是流畅性低,存在错误。

下图是各个模型针对 text 生成的问题。

论文浅尝 | 通过文本到文本神经问题生成的机器理解

(3) 本文作者最后提出未来将研究人工评测来确定rewards和人类判断之间的关系,以此提升模型的效果。

思考与所得

依我之见,这篇文章有两个亮点值得借鉴。

1、对answer的编码处理方法。一般对于answer就是将它输入到一个RNN中,得到最后的隐状态。这种方式有一种弊端,得到的答案语境向量是脱离原文本而存在的,与文本的关联性较小。于是本文从输入的原文中找到对应于答案的annotation向量,将其组合起来,并将其一一和答案的word embedding相联结,输入到LSTM中进行编码,得到基于文本的答案向量。这样子就增强了答案向量和文本的相关性。

2、使用了政策梯度优化的强化学习方法训练模型。由于一般在训练过程中使用的teacher forcing无法让模型犯错,无法从错误中学习,所以本文用了强化学习的方法解决这个问题,其中针对本文的QG任务使用了两个特定的rewards。


以上所述就是小编给大家介绍的《论文浅尝 | 通过文本到文本神经问题生成的机器理解》,希望对大家有所帮助,如果大家有任何疑问请给我留言,小编会及时回复大家的。在此也非常感谢大家对 码农网 的支持!

查看所有标签

猜你喜欢:

本站部分资源来源于网络,本站转载出于传递更多信息之目的,版权归原作者或者来源机构所有,如转载稿涉及版权问题,请联系我们

复杂性思考

复杂性思考

Allen B. Downey / 张龙 / 机械工业出版社 / 2013-5 / 49.00元

本书的灵感来源于无聊与迷恋的感觉:对常规的数据结构与算法介绍的无聊,对复杂系统的迷恋。数据结构的问题在于教师在教授这门课程的时候通常不会调动起学生的积极性;复杂性科学的问题在于学校通常不会教授这门课程。 2005年,我在欧林学院讲授了一门新课程,学生要阅读关于复杂性的主题,使用Python进行实验,并学习算法与数据结构。当我在2008年再次讲授这门课程时,我写了本书的初稿。 在2011......一起来看看 《复杂性思考》 这本书的介绍吧!

随机密码生成器
随机密码生成器

多种字符组合密码

SHA 加密
SHA 加密

SHA 加密工具