QA论文解读2

论文题目：《Knowledge-enhanced Hierarchical Attention for Community Question Answering with Multi-task and Adaptive Learning》
来源：IJCAI 2019
链接：https://www.ijcai.org/proceedings/2019/0743.pdf

MOTIVATION

• 来自KBs的外部知识很有用，但是在最近的基于深度学习的CQA系统中却没有得到充分的利用。
• 大多数现有的方法在学习文档表示时都没有利用语义的组合性。
• 如果CQA系统不能识别输入问题的类别，那么文档编码人员可能会丢失问题中关键的和有区别的特性。
• 现有的深度神经网络最具挑战性的问题之一是其性能可能不稳定，无法有效地处理CQA中相当不平衡且噪声较大的数据。

CONTRIBUTIONS

• 作者提出了一种基于知识增强的层次注意机制，从不同粒度的文本文档和知识库中充分挖掘知识。特别地，作者设计了一个三级注意机制，包括单词级注意、短语级注意、文档级的关注。（解决motivation2）
• 提出了一个多任务学习框架，其中知识增强表示学习由两个耦合任务同时优化:CQA(主任务)和问题分类(辅助任务)。多任务学习的主要目的是提高定位突出信息的质量。（解决motivation3）
• 对于CQA任务，我们构造多个分类器，并将它们的结果集成为最终的预测结果，期望能够更有效、更鲁棒地解决CQA任务。（解决motivation4）

MODEL

模型包括五个