【论文阅读】EMNLP2020-Semantic Role Labeling Graph Reasoning Network

SRLGRN

论文：EMNLP2020-Semantic Role Labeling Graph Reasoning Network

语义角色标注图推理网络

任务

​ 提出了一个基于句子语义结构的图推理网络来学习跨段落推理路径，并联合寻找支持事实和答案。

方法（模型）

SRLGRN

该框架在构建推理图网络时会考虑句子的语义结构。 不仅利用节点的语义角色，而且会利用边缘的语义。

• 训练一个段落选择模块来检索gold documents并最小化干扰因素。

• 构建了一个异类文档级图，其中包含以句子为节点以及SRL子图，其中SRL子图包括语义角色标签参数作为节点，谓词作为边。

• 训练图编码器来获得图节点表示，该图节点表示在学习的表示中结合了参数类型和谓词边的语义。

• 最后，共同训练一个multi-hop supporting fact prediction module和answer prediction module。

  multi-hop supporting fact prediction module可以找到跨段落推理路径，answer prediction module可以得到最终答案。

  based on contextual semantics graph representations as well as token-level BERT pre-trained representations.

模型结构：

SRLGRN由段落选择，图形构造，图形编码器，支持事实预测和答案跨度预测模块组成。

Paragraph Selection

• based on the pre-trained BERT model

两轮解释：

First Round Paragraph Selection

input:$Q_1$
$$Q_1=[[CLS];q;[SEP];C]$$

q: question

C: paragraph content

C = { t , s 1 , . . . , s n } C = \{t, s_1, . . . , s_n\} C={ t,s1​,...,sn​}

t: title

$s_n$: sentences

• 将 Q