【干货笔记】Generating Question-Answer Hierarchies阅读笔记

点击上方，选择星标或置顶，每天给你送干货！

阅读大概需要5分钟

跟随小博主，每天进步一丢丢

来自 | 知乎

地址 | https://zhuanlan.zhihu.com/p/86593349

作者 | 大葱的kangzhan史

编辑 | 机器学习算法与自然语言处理公众号

本文仅作学术分享，若侵权，请联系后台删文处理

文章：Generating Question-Answer Hierarchies

来源：ACL2019

链接：

https://arxiv.org/pdf/1906.02622.pdf arxiv.org

解决问题：本文介绍了SQUASH（专一性控制问题-答案层次结构）一种新颖且具有挑战性的文本生成任务，可将输入文档转换为有层次结构的问题-答案对。用户可以单击高级问题（例如“ Frodo为何离开研究金？”）来显示相关但更具体的问题（例如“ Frodo谁离开了？”）。

1.贡献：

· 一种根据问题的特殊性对问题进行分类的方法。

· 一种模型，用于控制所生成问题的特异性，这与之前进行QA的工作不同。

· 一种新颖的文本生成任务（SQUASH），它将文档转换为QA对基于特定性的层次结构。

· 用于解决SQUASH的流水线系统以及用于评估它的众包方法。

2.相关工作介绍：

3.模型：

3.1问题分类：

我们将问题分为三个粗糙的标签：GENERAL，SPECIFIC或YES-NO，根据问题的特殊性自动对SQuAD，QuAC和CoQA中的问题进行分类。具体问题通常要求低级别的信息（例如，实体或数字），而一般问题则要求更广泛的概述（例如，“ 1999年发生了什么？”）或因果信息（例如，“为什么……”）。使用简单的模板和规则可以可靠地识别许多问题类别。

对于不满足任何模板或规则的问题，手动标注了1000条数据用CNN分类器进行分类，最终将所有问题都运行了基于规则的方法，并将分类器应用于规则未涵盖的问题。

3.2生成QA对：

pipeline for SQUASH

在训练时，我们使用这些数据集中的真实答案范围作为问题生成器的输入。将输入段落中的所有单个句子视为潜在的答案范围（以生成一般和具体问题），以及所有实体和数字（仅针对具体问题）。

为了提高从句子生成的特殊问题的质量，手动删除了一些非常笼统的问题（例如“本文中发生了什么？”）。其他一些问题（例如“他在哪里出生？”）在数据集中被重复多次；我们将此类问题下采样到最大限制为10。

我们使用两层的biL-STM编码器和单层的LSTM解码器来生成问题（1997），将解码器的特殊性级别设置为“一般”，“具体”和“是-否”。每个答案范围生成十三个候选问题。

3.3形成有层次的QA对：

首先，为每个特殊问题选择一个父项----使每个一般问题的预测答案与预测答案的重叠（词级精度）最大化。如果没有与特定问题的答案重叠的一般问题的答案，我们将其映射到最接近的一般问题----其答案在特定问题的答案之前。

4.实验与评估：

对于我们所有的实验，我们使用BiDAF ++问题回答模型的AllenNLP实现。（2018）在没有对话上下文的情况下对QuAC进行了训练。

4.1生成问题评估：

我们使用各种众包实验在QuAC开发集的文档上评估了SQUASH流程。

第一行显示，产生的问题中有85.8％句法成立；第二行显示，我们的问题中有78.7％与该段落相关，而黄金问题中则有83.3％；第三行和第四行中显示包含问题答案得分

4.2结构正确性评估（抽样）：

首先，我们调查我们的模型是否实际上在生成带有正确特异性标签的问题。我们对400个随机抽样的问题（一般50％，特殊50％）运行了特异性分类器（第2部分），并获得91％的高分类精度。这种自动评估表明该模型能够产生不同类型的问题。

为了查看一般问题是否确实提供了更多的高级信息，我们对200个一般-具体问题对进行了抽样。对于每对问题（不显示答案），我们请人群工作者选择问题，如果回答了问题，将为他们提供有关该段落的更多信息。在89.5％的情况下，一般问题优于特定问题，这证实了我们的特异性控制问题生成系统的优势。

5.待解决的问题：

有缺陷的数据集

信息冗余

缺乏世界知识

每个段落有多个一般QA对

交流学习，进群备注：昵称-学校（公司）-方向，进入DL&NLP交流群。

方向有很多：机器学习、深度学习，python，情感分析、意见挖掘、句法分析、机器翻译、人机对话、知识图谱、语音识别等。