IJCAI 2020 | 近期必读机器阅读理解精选论文

AMiner平台由清华大学计算机系研发，拥有我国完全自主知识产权。平台包含了超过2.3亿学术论文/专利和1.36亿学者的科技图谱，提供学者评价、专家发现、智能指派、学术地图等科技情报专业化服务。系统2006年上线，吸引了全球220个国家/地区1000多万独立IP访问，数据下载量230万次，年度访问量超过1100万，成为学术搜索和社会网络挖掘研究的重要数据和实验平台。

机器阅读理解（Machine Reading Comprehension，MRC）是一种利用算法使计算机理解文章语义并回答相关问题的技术。由于文章和问题均采用人类语言的形式，因此机器阅读理解属于自然语言处理（NLP）的范畴，也是其中最新最热门的课题之一。近些年来，随着机器学习，特别是深度学习的发展，机器阅读理解研究有了长足的进步，并在实际应用中崭露头角。

根据AMiner-IJCAI 2020词云图，我们发现表征学习、图神经网络、深度强化学习、深度神经网络、机器阅读理解等都是今年比较火的Topic，受到了很多人的关注。今天我们给大家分享的是IJCAI 2020四篇必读的机器阅读理解（Machine Reading Comprehension）相关论文。（更多论文文末阅读原文即可了解）

1.论文名称：An Iterative Multi-Source Mutual Knowledge Transfer Framework for Machine Reading Comprehension

论文链接：https://www.aminer.cn/pub/5ef96b048806af6ef27721c0?conf=ijcai2020

简介：许多领域缺乏足够的训练数据，这对构建具有令人满意性能的特定于领域的机器阅读理解（MRC）模型构成了重大挑战。在本文中，我们提出了一种新颖的MRC迭代多源共同知识转移框架。作为一对一对应的传统知识转移的扩展，我们的框架专注于多对多相互转移，涉及以迭代方式同步执行多个多对一转移。作为目标域MRC模型，我们首先将其他特定于域的MRC模型作为单独的教师，然后采用知识提炼来训练多域MRC模型，这对于拟合训练数据和匹配这些个体模型的输出是有区别的根据它们与目标域的域级别相似性。在通过多域MRC模型初始化后，可以对目标域MRC模型进行微调，以通过知识提取同时匹配其训练数据和其先前最佳模型的输出。与以前的方法相比，我们的框架可以通过使每个模型迭代地和有区别地吸收其他领域的共享知识，来不断增强所有特定领域的MRC模型。实验结果和对多个基准数据集的深入分析证明了我们框架的有效性。

2.论文名称：Multi-hop Reading Comprehension across Documents with Path-based Graph Convolutional Network

论文链接：https://www.aminer.cn/pub/5ee3527191e011cb3bff7656?conf=ijcai2020

简介：跨多个文档的多跳阅读理解最近引起了很多关注。 在本文中，我们提出了一种新颖的方法来解决这种多跳阅读理解问题。 受人为推理处理启发，我们从支持文档中构建了基于路径的推理图。 该图可以结合基于图的方法和基于路径的方法的思想，因此更适合多跳推理。 同时，我们提出Gated-RGCN在基于路径的推理图上积累证据，其中包含一个新的问题感知选通机制，以调节跨文档传播的信息的有效性并在推理过程中添加问题信息。 我们在WikiHop数据集上评估了我们的方法，并且该方法相对于先前发布的方法达到了最新的准确性。 特别是，我们的整体模型比人类表现高出4.2％。

3.论文名称：Asking Effective and Diverse Questions: A Machine Reading Comprehension based Framework for Joint Entity-Relation Extraction

论文链接：https://www.aminer.cn/pub/5ef96b048806af6ef27721c2?conf=ijcai2020

简介：最近的进展将实体关系提取转换为多回合问答（QA）任务，并基于机器阅读理解（MRC）模型提供了有效的解决方案。但是，他们使用单个问题来描述实体和关系的含义，由于上下文语义的多样性，这在直观上还不够。同时，现有模型枚举所有关系类型以生成问题，这效率低下并且容易导致混淆问题。在本文中，我们通过各种问题解答来改进现有的基于MRC的实体关系提取模型。首先，引入了多样性问题回答机制来检测实体范围，并设计了两种回答选择策略来集成不同的答案。然后，我们建议预测潜在关系的子集，并过滤掉不相关的子集，以有效地产生问题。最后，实体和关系提取以端到端的方式集成在一起，并通过联合学习进行了优化。实验结果表明，所提出的方法明显优于基线模型，将ACE05的F1比率提高到62.1％，将CoNLL04的F1比率提高到71.9％。

4.论文名称：LogiQA: A Challenge Dataset for Machine Reading Comprehension with Logical Reasoning

论文链接：https://www.aminer.cn/pub/5ef96b048806af6ef27721e7?conf=ijcai2020

简介：机器阅读是测试自然语言理解能力的一项基本任务，它在许多方面与人类认知密切相关。随着深度学习技术的兴起，算法模型在简单的QA方面可与人类表现媲美，因此提出了越来越具有挑战性的机器读取数据集。尽管已经集成了诸如证据整合和常识知识之类的各种挑战，但是人类阅读的基本能力之一，即逻辑推理，尚未得到充分研究。我们构建了一个名为LogiQA的综合数据集，该数据集来自专家编写的问题，用于测试人类逻辑推理。它由8,678个QA实例组成，涵盖了多种类型的演绎推理。结果表明，最先进的神经模型的性能远远不及人类上限。我们的数据集还可以用作在深度学习NLP设置下重新研究逻辑AI的基准。

更多IJCAI2020论文，可以关注公众号或者链接直达IJCAI2020会议系统，最前沿的研究方向和最全面的论文数据等你来~

扫码查看更多IJCAI 2020论文

AMiner-IJCAI会议系统链接：https://www.aminer.cn/conf/ijcai2020

欢迎各位作者老师和同学加入IJCAI2020论文分享团队，促进学术交流，让知识正真流动起来！