论文浅尝 | BAG：面向多跳推理问答得双向 Attention 实体图卷积网络

论文笔记整理：谭亦鸣，东南大学博士生，研究兴趣：知识图谱问答

---

来源：NAACL 2019

链接：https://www.aclweb.org/anthology/N19-1032/

 

      实现多跳推理问答需要模型能够充分理解文本和 query 之间的关系，本文提出了一种双向注意力实体图卷积网络(BAG)，该方法利用实体图中的节点及实体图与query之间的attention信息处理上述推理问答任务。其中，实体图通过文本的多层特征构建得到，图卷积网络用于获取实体图中节点的表示（带有关系感知信息），双向attention被用到图与query上，以生成query感知的节点表示，将用于最后的预测中。在QAngaroo WIKIHOP数据集上的实验表明，BAG是目前准确度最高的模型。

动机

       作者发现，在 QAngaroo 任务中（该数据集含有多个文本，目标是对于给定的 query，从一系列候选答案中找出正确的那个），大多数情况下，仅依赖一篇文档无法获得query对应的答案，问答过程需要通过文档之间的多跳推理来完成。因此，仅理解部分文本段落可能会使多跳推理失去有效性，对于过去的模型来说，这是一个巨大的挑战。

       本文提出基于图的 QA 模型，将多个文本转换