譚紅葉，劉 蓓,王元龍

(1. 山西大學(xué) 計(jì)算機(jī)與信息技術(shù)學(xué)院，山西 太原 030006；2. 山西大學(xué) 計(jì)算智能與中文信息處理教育部重點(diǎn)實(shí)驗(yàn)室，山西 太原 030006)

0 引言

機(jī)器閱讀理解旨在使機(jī)器像人類一樣能夠通過對(duì)文本的深入理解來回答一系列相關(guān)問題。近幾年機(jī)器閱讀理解受到了學(xué)術(shù)界和企業(yè)界的廣泛關(guān)注，已成為人工智能及NLP領(lǐng)域的一個(gè)研究熱點(diǎn)。如微軟、Facebook、Google DeepMind、百度、哈工大訊飛聯(lián)合實(shí)驗(yàn)室、Stanford University等頂級(jí)IT公司與大學(xué)分別展開相關(guān)研究，并創(chuàng)建公布了各自的閱讀理解數(shù)據(jù)集，提升了機(jī)器閱讀理解的研究水平，促進(jìn)了語言理解和人工智能的發(fā)展。

根據(jù)已有的閱讀理解數(shù)據(jù)集，從形式上看，閱讀理解問題可分為cloze問題、選擇題和問答題。針對(duì)cloze問題有CNN/Daily Mail[1]、漢語PeopleDaily/CFT[2]等數(shù)據(jù)集；選擇題有MCTest[3]、CLEF高考評(píng)測(cè)[4-5]等數(shù)據(jù)集；而問答題有SQuAD[6]、MS MARCO[7]、漢語DuReader[8]和CMRC2018評(píng)測(cè)任務(wù)5[注]http: //www.hfl-tek.com/cmrc2018/等數(shù)據(jù)集，根據(jù)這些數(shù)據(jù)集中答案的長短，又可將問答題分為YesNo問題、簡單事實(shí)類(實(shí)體類、短語類)問題和描述類問題。針對(duì)cloze問題和簡單事實(shí)類問題已提出了眾多的神經(jīng)網(wǎng)絡(luò)模型，而對(duì)問答題中的描述類問題(其問題語義概括程度高，答案(斜體字)也一般由多個(gè)句子組成，如表1所示)研究較少，但該類問題在現(xiàn)實(shí)生活中廣泛存在，百度對(duì)其搜索引擎上的日志進(jìn)行統(tǒng)計(jì)后，發(fā)現(xiàn)52.4%的問題都屬于描述類問題[8]。文獻(xiàn)[9]針對(duì)北京語文高考題中的概括題采用分步解答策略，先基于關(guān)鍵詞詞向量的句子相似度定位問句出處，然后利用CFN(Chinese FrameNet)進(jìn)行篇章框架標(biāo)注，并基于框架語義匹配及框架語義關(guān)系進(jìn)行答案候選句抽取，最后采用流行排序算法進(jìn)行排序得到最終的答案，由于高考題數(shù)據(jù)量的缺乏，無法訓(xùn)練端對(duì)端的神經(jīng)網(wǎng)絡(luò)模型，且傳統(tǒng)方法容易帶來級(jí)聯(lián)錯(cuò)誤，所以本文采用端對(duì)端的神經(jīng)網(wǎng)絡(luò)模型對(duì)描述類問題的解答進(jìn)行研究。

本文的貢獻(xiàn)主要有: 基于端對(duì)端的神經(jīng)網(wǎng)絡(luò)模型對(duì)閱讀理解中描述類問題的解答進(jìn)行了探索；在神經(jīng)網(wǎng)絡(luò)模型中融入了對(duì)問題的理解，即在模型的解題過程中考慮了問題類型、問題主題和問題焦點(diǎn)這三種信息；在模型的最后一層對(duì)答案進(jìn)行了后處理，即對(duì)答案進(jìn)行了噪音和冗余信息的識(shí)別與去除。

表1 描述類問題示例

數(shù)據(jù)來源: DuReader[注]http: //ai.baidu.com/broad/subordinate?dataset=dureader

1 相關(guān)工作

目前閱讀理解的研究主要在CNN/Daily Mail[1]和SQuAD[6]數(shù)據(jù)集上進(jìn)行，基于這些數(shù)據(jù)集眾多神經(jīng)網(wǎng)絡(luò)模型被提出，模型的架構(gòu)一般包含: 嵌入層、編碼層、交互層和預(yù)測(cè)層。嵌入層對(duì)詞進(jìn)行分布式表示，編碼層使得每個(gè)詞具有上下文信息，交互層負(fù)責(zé)原文與問題比較，并更新二者表示，預(yù)測(cè)層根據(jù)交互層的輸出預(yù)測(cè)答案，但各個(gè)模型在每層的實(shí)現(xiàn)上又有所不同。

在嵌入層，F(xiàn)astQA[10]加入了原文詞是否出現(xiàn)在問題中的二值特征和原文詞與問題詞相似度的權(quán)值特征，加強(qiáng)了問題與文章的交互；jNet[11]使用TreeLSTM對(duì)問題進(jìn)行編碼，考慮了問題的句法信息，同時(shí)在模型中引入了問題類型(when、where等)標(biāo)簽，增強(qiáng)了模型對(duì)問題的理解。

在編碼層，大多數(shù)模型使用雙向的LSTM或GRU對(duì)原文和問題中的每個(gè)詞進(jìn)行編碼，使得每個(gè)詞都具有上下文信息，而QANET[12]使用卷積神經(jīng)網(wǎng)絡(luò)(CNN)和自注意力機(jī)制對(duì)問題和原文進(jìn)行編碼，去除了LSTM和GRU的循環(huán)特性，提升了模型訓(xùn)練速度。

在交互層，模型大都引入注意力機(jī)制，即通過某種匹配函數(shù)計(jì)算文本中每個(gè)單詞與問題中每個(gè)詞(或問題整體語義)的匹配程度，Hermann等[1]提出的Attentive Reader模型采用tanh函數(shù)計(jì)算注意力值；Chen等[13]在該模型基礎(chǔ)上提出了Stanford Attentive Reader模型，采用bilinear函數(shù)計(jì)算注意力值；而Attention sum Reader[14]模型較簡潔，直接將問題和文檔的上下文表示進(jìn)行點(diǎn)積，并進(jìn)行softmax歸一化得到注意力值；Dhingra等[15]提出的Gated Attention Reader模型采用哈達(dá)馬積(hadamard product)計(jì)算注意力值，動(dòng)態(tài)更新注意力值，對(duì)文檔進(jìn)行多次表達(dá)，對(duì)最后一層注意力值進(jìn)行歸一化，實(shí)驗(yàn)結(jié)果顯示該模型有更好的推理能力；相比以上模型，Cui等[16]提出了一種多重注意力機(jī)制(Attention over Attention)，不僅考慮問題對(duì)文檔的注意力，也考慮文檔對(duì)問題的注意力，即實(shí)現(xiàn)問題和文檔的相互關(guān)注，實(shí)驗(yàn)結(jié)果相比以往有所提升；Seo等[17]提出的BIDAF模型也引入了雙向注意力機(jī)制，并基于該注意力得到query-aware的原文表示，再將其輸入建模層進(jìn)行語義信息的聚合，最終得到融合問題和上下文信息的一個(gè)表示；R-NET模型[18]引入了一種self-matching注意力機(jī)制，其可高效捕獲長距離依賴關(guān)系。

在預(yù)測(cè)層，對(duì)于cloze問題，模型利用交互層計(jì)算的注意力值進(jìn)行答案預(yù)測(cè)，有的模型將具有最大權(quán)重的詞作為答案輸出[1,13]，有的模型結(jié)合詞在原文中的出現(xiàn)頻次累加相應(yīng)權(quán)重，選擇累加權(quán)重最大的詞作為答案輸出[14-16]；對(duì)于答案為一個(gè)片段的問答題，Match-LSTM模型[19]提出了兩種答案預(yù)測(cè)模式: Sequence Model和Boundary Model。前者輸出具有最大概率的位置序列，得到的答案可能是不連貫的，后者只輸出答案在原文中的開始和結(jié)束位置，實(shí)驗(yàn)顯示簡化的Boundary Model效果更好，而DCN模型[20]使用了一種多輪迭代預(yù)測(cè)機(jī)制。

以上神經(jīng)網(wǎng)絡(luò)模型在這兩個(gè)數(shù)據(jù)集上取得了不錯(cuò)的效果，但這些模型仍存在以下不足:

1) 僅能解決答案存在于原文中的問題，對(duì)需要生成答案的問題無能為力。

2) 模型中加入的問題特征過于表面，沒有將問題的理解融入到模型中。

3) 沒有達(dá)到對(duì)語言的真正理解，如Percy Liang等人[21]在SQuAD數(shù)據(jù)中加入了對(duì)抗語句，并對(duì)發(fā)布的16個(gè)模型進(jìn)行了測(cè)試，結(jié)果F1值普遍降低了40%左右。

針對(duì)第二點(diǎn)，我們?cè)谀Ｐ椭胁粌H融入問題類型(Question Type)，還融入問題主題(Question Topic)和問題焦點(diǎn)(Question Focus)信息，其中問題類型可以增強(qiáng)期望的答案類別標(biāo)識(shí)[22]，問題主題表明問題的主要背景或約束條件，問題焦點(diǎn)表明問題主題的某個(gè)方面[23]，識(shí)別這些信息，可以增強(qiáng)系統(tǒng)對(duì)問題的理解(Question Understanding)，從而更準(zhǔn)確的找到答案。

2 描述類問題的解答

我們將描述類問題的解答形式化定義為: 給定一個(gè)問題Q和一個(gè)候選文檔D，目標(biāo)是系統(tǒng)從文檔D中選擇一個(gè)與問題最相關(guān)的答案A={a1，a2，…，aj}，其中aj為D中的一句話，在D中aj之間連續(xù)或不連續(xù)。本文假定aj之間在D中是連續(xù)的。

2.1 基于QU-NNs的描述類問題解答框架

如圖1所示，我們使用框架為嵌入層、編碼層、交互層、預(yù)測(cè)層和答案后處理層的QU-NNs(Question Understanding-Neural Networks，即融入問題理解的神經(jīng)網(wǎng)絡(luò)模型)模型解答描述類問題。為了增強(qiáng)模型對(duì)問題的理解(QU)，我們將問題類型、問題主題和問題焦點(diǎn)這三種特征融入模型中，正確的識(shí)別這三種特征能對(duì)問題進(jìn)行語義層面的理解，并對(duì)模型輸出的結(jié)果進(jìn)行噪音和冗余信息的識(shí)別，即答案后處理過程?；贐IDAF模型，我們對(duì)嵌入層和交互層進(jìn)行改進(jìn)，并加入答案后處理層，所以著重對(duì)這三部分進(jìn)行說明。

圖1 基于QU-NNs的描述類問題解答框架

融入問題類型的詞嵌入層: 為了增強(qiáng)問題類型信息，將問題類型同問題一起作為輸入，即:Q={qt,q1,q2…qm}，其中qt為問題類型，m為問題的詞數(shù)，Q∈Rd×(m+1)。文檔D={p1,p2…pn}，其中n為文檔的詞數(shù)，D∈Rd×n(d為向量的維度)。

編碼層: 使用雙向LSTM(Bi-directional Long Short-Term Memory Network)分別對(duì)問題和文檔進(jìn)行編碼，將兩個(gè)方向上LSTM的輸出進(jìn)行拼接作為每個(gè)詞的表示，分別得到問題和文檔的表示:Qh∈R2d×(m+1)，Dh∈R2d×n，其中每個(gè)詞都具有上下文信息。

融入問題主題和焦點(diǎn)的交互層: 即文檔與問題的信息交互層。與BIDAF不同的是，在計(jì)算文檔中第i個(gè)詞與問題中第j個(gè)詞之間的相似度Sij時(shí)，我們考慮到每個(gè)問題詞的重要程度qimportance(相對(duì)于問題本身)對(duì)相似度的影響，該重要度由tf-idf值和問題主題與焦點(diǎn)信息共同決定。tf-idf是基于統(tǒng)計(jì)的方法評(píng)估一個(gè)詞的重要度，具有很好的泛化能力，但不適用于個(gè)別反常數(shù)據(jù)。問題主題和問題焦點(diǎn)是針對(duì)問題本身用規(guī)則的方法評(píng)估一個(gè)詞的重要度，這兩種信息共同作用可以更好地表示問題詞的重要度。

(1)

(2)

(3)

其中，Qj=q，qtf-idf為詞q對(duì)應(yīng)的tf_idf值(公式4)，V為詞表，a，b，c為常數(shù)，若q不在詞表中，且不存在于QTopic、QFocus和QType(QType∈{how,why,compare,explanation,evaluation,brief,other})中，則取0.001(該詞的重要性一般很低，為了平滑，取0.001)

(4)

其中，tf(q)是詞q在文檔D中的詞頻，|D|為文檔D的總詞數(shù)，|AD|為所有的文檔(All Document)，|AD(q)|即為包含詞q的文檔數(shù)。

基于相似矩陣S，計(jì)算雙向注意力(即文檔對(duì)問題的注意力(Context2Query)和問題對(duì)文檔的注意力(Query2Context)): 其中ai∈Rm+1(式(5)，其中Si: 表示第i行)表示所有問題詞對(duì)文檔中第i個(gè)詞的注意力權(quán)重，b∈Rn[式(6)，其中maxcol(S)表示取S矩陣中每行的最大值]表示所有文檔詞對(duì)問題中第i個(gè)詞的注意力權(quán)重，基于該注意力計(jì)算query-aware的原文表示，并使用雙向LSTM進(jìn)行語義信息的聚合，最終得到包含問題和文檔信息的語義矩陣。

預(yù)測(cè)層: 基于Boundary Model思想預(yù)測(cè)答案，即只預(yù)測(cè)答案開始和結(jié)束位置。模型輸出的是答案區(qū)間，其僅適應(yīng)答案連續(xù)的問題。

答案后處理層: 本文采用一個(gè)啟發(fā)式的方法檢索噪音和冗余信息，通過對(duì)比人工生成的答案和對(duì)應(yīng)的文本片段，構(gòu)建噪音詞表W，如標(biāo)簽詞“百度經(jīng)驗(yàn)”“經(jīng)驗(yàn)列表”等就為文本中的噪音。同時(shí)，文本中存在重復(fù)片段(如網(wǎng)頁中會(huì)存在惡意復(fù)制現(xiàn)象等)，系統(tǒng)輸出的答案中就可能包含重復(fù)信息。將噪音和重復(fù)信息刪除，可提高結(jié)果的簡潔性。

問題類型通過卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行識(shí)別，問題焦點(diǎn)和問題主題通過句法分析獲取，具體細(xì)節(jié)見2.2節(jié)。

2.2 問題特征識(shí)別

2.2.1 問題類型識(shí)別

問題類型可以增強(qiáng)期望的答案類別標(biāo)識(shí)，對(duì)答案具有一定指導(dǎo)作用。本文為了探索問題類型對(duì)回答描述類問題的引導(dǎo)作用和防止細(xì)粒度分類錯(cuò)誤，我們將描述類問題分為以下四大類，如表2所示。

表2 問題分類及示例

續(xù)表

可見，漢語的提問方式復(fù)雜多變，經(jīng)常出現(xiàn): 同一問題，疑問詞不同；不同問題，疑問詞相同的現(xiàn)象，甚至有時(shí)問句不包含疑問詞，因此識(shí)別問題類型僅憑疑問詞是有一定難度的。本文采用目前在分類問題上應(yīng)用較多的CNN(Couvolutional Neural Networks)模型，對(duì)詞匯進(jìn)行語義層面的表示，完成對(duì)問題的有效分類。

本文采用CNN進(jìn)行問題類型的識(shí)別，即將問句以字的形式輸入模型中，通過卷積層、池化層和全連接層，最后通過softmax函數(shù)確定每個(gè)類別的概率，最終輸出問題類型。

由于“what”類問題較籠統(tǒng)，我們進(jìn)一步根據(jù)關(guān)鍵字將該類問題分為“解釋”、“評(píng)價(jià)”、“簡述”和“其他”四種類型，如表3所示。至此，問題類型共有以下7類: 方式(how)、比較(compare)、原因(why)、解釋(explanation)、評(píng)價(jià)(evaluation)、簡述(brief)、其他(other)。

表3 “what”類問題分類

2.2.2 問題主題和問題焦點(diǎn)識(shí)別

問題主題和問題焦點(diǎn)是問題中的關(guān)鍵信息，問題主題表明問題的主要背景或約束條件，問題焦點(diǎn)表明問題主題的某個(gè)方面。如“西游記的結(jié)局是什么”中的“西游記”、“結(jié)局”分別為問題的主題和焦點(diǎn)，識(shí)別這兩種信息，可加強(qiáng)系統(tǒng)對(duì)關(guān)鍵信息的關(guān)注，降低非重要詞的干擾，使系統(tǒng)更易找到正確答案。

通過句法分析獲取問題Q={w1，w2，…，wn}的主題和焦點(diǎn)，預(yù)先構(gòu)建疑問詞表QW和虛詞、副詞(的，和，是，很，非常省略號(hào))等功能詞表T。

如果wi∈QW，(wj，wi)存在依存關(guān)系，則wj為問題焦點(diǎn)，若wj∈T，則再找與wj存在依存關(guān)系的詞作為問題焦點(diǎn)。如果wk修飾(ATT)wj，則wk為問題主題，如圖2所示。(注: 若問句中不存在特殊疑問詞，則將句子的最后一個(gè)詞視為“疑問詞”，如問句“成都二手房交易流程”，將“流程”視為疑問詞)

如果Q為compare類問題，(wu，wv)存在并列(COO)關(guān)系，則wu和wv為問題主題，如圖3所示。

圖2 問題主題與焦點(diǎn)識(shí)別

圖3 Compare類問題主題識(shí)別

本文在具體實(shí)現(xiàn)時(shí)采用哈爾濱工業(yè)大學(xué)的LTP[注]https: //www.ltp-cloud.com/進(jìn)行句法依存分析。

3 實(shí)驗(yàn)與分析

3.1 實(shí)驗(yàn)建立

3.1.1 問題類型識(shí)別

從Dureader數(shù)據(jù)集中抽取了2 150條描述類問題(訓(xùn)練集1 450條、驗(yàn)證集500條、測(cè)試集200條)對(duì)CNN進(jìn)行訓(xùn)練，經(jīng)過多次實(shí)驗(yàn)測(cè)試，模型參數(shù)設(shè)置為: 字向量維度為64，卷積核函數(shù)為ReLU，過濾器數(shù)量為256，優(yōu)化算法為Adam，批大小為32，迭代次數(shù)為40，學(xué)習(xí)率為0.001。

3.2.2 問題主題和問題焦點(diǎn)識(shí)別

從Dureader數(shù)據(jù)集中隨機(jī)抽取100個(gè)問題，對(duì)這些問題的主題和焦點(diǎn)進(jìn)行人工標(biāo)注。

3.2.3 QU-NNs模型

實(shí)驗(yàn)中采用的預(yù)訓(xùn)練詞向量是通過Word2Vec對(duì)中文維基百科數(shù)據(jù)進(jìn)行訓(xùn)練得到的。本文實(shí)驗(yàn)所用的數(shù)據(jù)集是Wei He[8]提出的Dureader數(shù)據(jù)集中的描述類數(shù)據(jù)，因其沒有公開測(cè)試集的答案，為了方便評(píng)價(jià)實(shí)驗(yàn)結(jié)果，我們將驗(yàn)證集進(jìn)行了劃分，最終數(shù)據(jù)分布為: 訓(xùn)練集161 834篇、驗(yàn)證集4 378篇、測(cè)試集2 000篇；同時(shí)我們抽取了科大訊飛提出的CMRC2018閱讀理解中符合描述類問題的數(shù)據(jù)作為實(shí)驗(yàn)數(shù)據(jù)(4 600條問答對(duì)，其中驗(yàn)證集和測(cè)試集分別為200條、200條)。實(shí)驗(yàn)評(píng)價(jià)方法采用Wei He[8]在其數(shù)據(jù)集上實(shí)驗(yàn)時(shí)使用的Blue-4[24]和Rouge-L[25]評(píng)價(jià)方法。問題詞重要度中的參數(shù)在實(shí)驗(yàn)中經(jīng)過多次測(cè)試后，最終設(shè)定為a=3，b=0.5，c=1。模型參數(shù): 詞向量維度為300，隱層節(jié)點(diǎn)數(shù)為150，優(yōu)化算法為Adam，批大小為32，迭代次數(shù)為10，學(xué)習(xí)率為0.001。

3.2 實(shí)驗(yàn)結(jié)果與分析

3.2.1 問題類型識(shí)別

采用字符級(jí)CNN對(duì)問題進(jìn)行分類，實(shí)驗(yàn)結(jié)果如表4所示:

表4 問題類型識(shí)別結(jié)果

從表4可看出，Compare類問題準(zhǔn)確率達(dá)到了100%，而What類問題準(zhǔn)確率較低，分析數(shù)據(jù)發(fā)現(xiàn)Compare類問題較有標(biāo)志性，其一般都包含‘區(qū)別’、‘比’等詞，問句比較規(guī)范，而What類問題詢問方面很多且較多情況下不出現(xiàn)疑問詞，如“甲骨文的字形特點(diǎn)？”，正確識(shí)別較難。

3.2.2 問題主題和問題焦點(diǎn)識(shí)別

將系統(tǒng)自動(dòng)識(shí)別的問題主題和焦點(diǎn)與人工標(biāo)注數(shù)據(jù)進(jìn)行對(duì)比，實(shí)驗(yàn)結(jié)果如表5所示，分析數(shù)據(jù)發(fā)現(xiàn)由分詞導(dǎo)致的識(shí)別錯(cuò)誤較多，但整體識(shí)別效果已滿足實(shí)驗(yàn)要求。

表5 問題主題和焦點(diǎn)識(shí)別結(jié)果

3.2.3 QU-NNs模型

為了驗(yàn)證本文所加特征的有效性，以不加任何特征的BIDAF模型作為實(shí)驗(yàn)的baseline。為了評(píng)價(jià)不同特征對(duì)實(shí)驗(yàn)結(jié)果的影響，我們?cè)O(shè)置了三組對(duì)比實(shí)驗(yàn)，實(shí)驗(yàn)結(jié)果如表6～7所示。

① 在baseline中融入問題類型特征(QType)

② 在baseline中融入問題主題和問題焦點(diǎn)(QTopic+QFocus)

③ 在baseline中融入問題類型、問題主題和問題焦點(diǎn)(QType+QTopic+QFocus)

由實(shí)驗(yàn)①②③可以看出，不同特征的融入對(duì)實(shí)驗(yàn)結(jié)果有一定影響，同時(shí)融入問題類型、問題主題、問題焦點(diǎn)這三種特征后實(shí)驗(yàn)結(jié)果最好。通過數(shù)據(jù)分析，發(fā)現(xiàn)加入問題類型后，答案區(qū)間定位更準(zhǔn)確，可見問題類型對(duì)識(shí)別正確答案具有一定引導(dǎo)作用；加入問題主題和問題焦點(diǎn)后，答案中減少了與問題無關(guān)的信息，答案更精準(zhǔn)。

④ 對(duì)加入三種特征后模型的輸出結(jié)果進(jìn)行后處理(Post-processing)，即刪除噪音和冗余信息。實(shí)驗(yàn)結(jié)果如表6所示，ROUGE-L值和BLEU-4值明顯提高，因?yàn)閷?shí)驗(yàn)數(shù)據(jù)均來自百度搜索和百度知道，網(wǎng)頁上存在較多的噪音數(shù)據(jù)和重復(fù)信息，抽取的答案片段中自然也有較多的這些信息。CMRC2018是基于篇章片段抽取的閱讀理解數(shù)據(jù)集，數(shù)據(jù)集較為規(guī)范，本文提出的答案后處理策略對(duì)該類數(shù)據(jù)不奏效。

表6 DuReader數(shù)據(jù)實(shí)驗(yàn)結(jié)果

表7 CMRC2018數(shù)據(jù)實(shí)驗(yàn)結(jié)果

從表6和表7的實(shí)驗(yàn)結(jié)果看: 本模型在CMRC數(shù)據(jù)集上效果更明顯，分析數(shù)據(jù)發(fā)現(xiàn)CMRC數(shù)據(jù)集更加規(guī)范，問題表述較清晰，問題特征更易識(shí)別；融入所有問題特征的模型效果最好，可見加強(qiáng)問題的理解有助于系統(tǒng)找到正確答案。本文實(shí)驗(yàn)存在的不足有: (1)文本理解對(duì)回答問題很重要，實(shí)驗(yàn)中沒有對(duì)文本理解進(jìn)行建模。(2)由于語言表述復(fù)雜多變，簡單的噪音和冗余信息識(shí)別對(duì)于答案生成過于粗糙，應(yīng)該基于語義及篇章層面分析其中與問題無關(guān)的信息。

4 總結(jié)

本文針對(duì)閱讀理解中的描述類問題，將對(duì)問題的理解融入了模型中，主要對(duì)問題類型、問題主題和問題焦點(diǎn)這三種問題特征進(jìn)行了建模，同時(shí)對(duì)模型輸出的答案進(jìn)行了噪音和冗余信息的去除，對(duì)實(shí)驗(yàn)結(jié)果有一定的提升作用。但沒有對(duì)文本的理解進(jìn)行建模，以及獲取答案的方式仍為抽取式的，直接從原文中抽取的答案含有與問題無關(guān)的信息，所以在今后的工作中，我們會(huì)從篇章層面對(duì)文本進(jìn)行理解并將篇章信息建模到模型中，以及答案的獲取考慮采用生成式方法，即對(duì)不同的句子進(jìn)行刪除、融合、改寫等策略或基于大數(shù)據(jù)學(xué)習(xí)這種生成模式，獲取最終的答案。