劉鑫

（武漢郵電科學研究院，湖北 武漢 430074）

機器閱讀理解（Machine Reading Comprehension，MRC）的研究目標是讓計算機讀懂文章，并像人類一樣回答與文章相關(guān)的問題[1]，在需要自動處理和分析大量文本內(nèi)容的場景下，機器閱讀理解都可以節(jié)省大量人力和時間，因此，機器閱讀理解成為當前人工智能研究中最前沿、最熱門的方向之一。該文以百度深度學習研究院（Baidu Research-Institute of Deep Learning，IDL）提出的神經(jīng)遞歸序列標注（Neural Recurrent Sequence Labeling，NRSL）模型[2]作為基礎(chǔ)模型，對開放域下事實類問答任務(wù)進行研究。

原模型通過LSTM+CRF[3]將MRC 轉(zhuǎn)換為序列標注問題，但是面對一段材料多次出現(xiàn)答案的情況，CRF 的表現(xiàn)并不是很好，而且直接對材料中的詞進行判斷標注，未免對模型太過嚴苛。針對這些問題，文中采用字詞混合Embedding 編碼和半指針半標注解碼的方式來改善、提升機器閱讀理解任務(wù)的精度。

1 相關(guān)工作

MRC 旨在利用算法使計算機理解文章語義并回答相關(guān)問題，當前MRC 主要分成4 個任務(wù)：完形填空、單選、跨度提取、自由問答[4]，文中研究的是后兩者，即抽取式問答。最近幾年，由于深度學習的興起[5]，眾多優(yōu)秀的機器閱讀理解模型脫穎而出，這些模型在網(wǎng)絡(luò)架構(gòu)、模塊設(shè)計、訓練方法等方面實現(xiàn)了創(chuàng)新，大大提高了算法理解文本和問題的能力以及預測答案的準確性。

文獻[2]提出的NRSL 模型，文獻[4]提出的雙向注意力流（Bi-Directional Attention Flow,BiDAF）模型[6]算得上中文機器閱讀理解的開山之作，成為了之后眾多MRC 模型參照的典范。之后的模型創(chuàng)新大多集中在網(wǎng)絡(luò)結(jié)構(gòu)的創(chuàng)新及優(yōu)化，但是對模型的輸入編碼和輸出解碼模塊優(yōu)化也是有重要意義的，該文就是在研究前人模型的基礎(chǔ)上，重點研究優(yōu)化編碼解碼模塊來提升模型的精度。

2 模型構(gòu)建

2.1 模型整體架構(gòu)

整個模型的架構(gòu)圖如圖1 所示，主要由3 個模塊組成。首先提取問題特征的LSTM 層，然后是三層LSTM，用來分析證據(jù)，最后便是用來解碼答案的半指針半標注模塊。

圖1 模型整體架構(gòu)

2.2 字詞混合Embedding

詞作為最小的能夠獨立活動的有意義的語言成分，在機器閱讀理解模型中被廣泛地作為模型的輸入，單個字雖然沒有具體的語義，但卻十分靈活。比如在標注模型中，為了最大程度上避免邊界標注錯誤，使用以字作為基本單位輸入比以詞作為基本單位輸入要好得多，考慮到這一點，若是能綜合字和詞的各自優(yōu)勢，對模型的提升應(yīng)該是十分顯著的。

為了讓模型兼顧字的靈活和詞的語義，該文使用字詞混合Embedding 作為模型輸入，其編碼過程如圖2 所示，它的原理很簡單，就是將詞向量通過變換矩陣轉(zhuǎn)換成和字向量相同的維度，再將轉(zhuǎn)換結(jié)果和字向量相加，從另一個角度看，也可以認為是通過字向量和變換矩陣對Word2Vec[7]的詞向量進行微調(diào)。

圖2 字詞混合Embedding原理圖

2.3 LSTM模塊

長短時記憶網(wǎng)絡(luò)LSTM 是一種特殊的RNN，是專門設(shè)計用來避免長期依賴問題的。LSTM 默認記憶長期信息，而不需要額外的條件。

定義函數(shù)(s′,y′)=LSTM(x,s,y)作為LSTM 層的輸入和輸出的映射，其中，x為經(jīng)字詞混合Embedding 模塊編碼后的問題向量，s為先前狀態(tài)，y為輸出，s′,y′為當前狀態(tài)和當前輸出，它們的計算方式如式（1）：

其中，W*∈RH×H為參數(shù)矩陣，b*∈RH為偏移量，H為LSTM 層的寬度，σ為sigmoid 函數(shù)，i、f、o依次為輸入門、遺忘門和輸出門，LSTM的原理圖如圖3所示。

文中模型的問題和證據(jù)均用LSTM 進行分析，問題采用一層單向LSTM 分析，然后通過簡單的加性注意力[8-9]和材料向量融合作為材料LSTM 分析模塊輸入，該模塊由三層LSTM 組成，第二層LSTM 為反向LSTM，第三層LSTM 接收前兩層的輸出。

用xq=表示問題向量輸入，表示證據(jù)向量輸入。問題LSTM 為單層LSTM，對xq經(jīng)LSTM 分析后，生成向量序列q1,q2,…,qN，其映射關(guān)系如式（2）：

材料LSTM 由三層LSTM 構(gòu)成，第一層LSTM 的輸入為rq和材料的字詞混合Embedding 通過加性注意力機制融合的定長向量，第二層LSTM 堆疊于第一層之上，但是以相反的順序處理它的輸入，第三層LSTM 將第一層和第二層的輸出作為輸入，它的輸出將作為答案解碼模塊的輸入，具體的計算方法如式（3）所示：

2.4 半指針-半標注解碼

答案解碼模塊對整個模型精度的影響也是十分大的，文中將原模型中的CRF 替換為半指針-半標注的模式。

既然用到標注，那么理論上最簡單的方案是輸出一個0/1 序列：直接標注出材料中的每個詞是答案（1）或不是答案（0）。然而，這樣的效果并不好，因為一個答案可能由連續(xù)多個不同的詞組成，要讓模型將這些不同的詞都標上同樣的標注結(jié)果，還是十分困難的。所以用兩次標注的方式，來分別標注答案的開始位置和終止位置，其計算方式如式（4）：

其中，Act為激活函數(shù)，這里取sigmoid 函數(shù)。為了應(yīng)對材料中無答案的情況，引入pglobal對整個問題和文檔信息編碼[10]，得到一個全局打分，并把這個打分的結(jié)果乘到前面的標注中，即變成式（5）：

這里的o即為問題和材料的整體向量，當材料中無答案時，即可直接使pglobal=0，不用讓每個詞的標注都為0。

pstart、pend分別代表了答案起始位置和終止位置的概率，但問題是，用什么指標確定答案區(qū)間呢？文中的做法是確定答案的最大長度M，然后遍歷材料所有長度不超過M的區(qū)間，計算它們起始位置和終止位置的打分的積，然后取最大值。對每段材料都得到了自己的答案的情形，又怎么把這么多段材料的答案投票出最終的答案？比如有5 段材料，每段材料得出的答案和分數(shù)依次是(A,0.7)、(B,0.2)、(B,0.2)、(B,0.2)、(B,0.2)，那么最終應(yīng)該輸出A還是B呢？

為了綜合考慮權(quán)重大和答案多的情況，這里將采用取“平方和”的思想，因為“平方”會把高分的樣本權(quán)重放大，而對小樣本將其加一置于分母位置，這樣其得分就會降低，其計算方式如式（6）：

3 實 驗

3.1 數(shù)據(jù)集簡介

該文數(shù)據(jù)集采用WebQA（百度問答數(shù)據(jù)集現(xiàn)在已更新為DuReader[11]），WebQA 和DuReader 的實體類問答很類似，答案包含在材料中，該文正是對這類問答進行抽取式閱讀理解[12]任務(wù)研究。

WebQA 包含42k 個問題，566k 個材料片段，一個數(shù)據(jù)由問題、證據(jù)、答案構(gòu)成，材料樣例如下：

問題：多瑙河注入哪個海？

材料1：多瑙河注入黑海，頓河注入亞速海，萊茵河注入北海

答案：黑海

材料2：泰晤士、萊茵河、易北河注入北海,萊茵河、多瑙河流入黑海,都屬于大西洋水系。

答案：黑海

材料3：多瑙河發(fā)源于德國西南部山地，向東流經(jīng)9 個國家，最后在羅馬尼亞注入黑海。

答案：黑海

每個問題對應(yīng)多段材料，每段材料對應(yīng)一個答案，這個答案可能為空。這些問題均是由真實生活中的用戶在日常生活中提出的，因此很有代表性。該文將數(shù)據(jù)隨機均分成8 份，6 份作為訓練集，一份作為驗證集，一份作為測試集。

該文所用的詞向量由WebQA 語料、50 萬百度百科條目、100 萬百科知道問題用Word2Vec 預訓練而成[13]。

3.2 模型訓練

模型訓練采用交叉驗證[14]，評估參數(shù)為查準率P（Precision）、查全率R（Recall）和P、R的調(diào)和平均值F1。

模型的預測值有兩個，為答案的起、止位置，該模型使用的損失函數(shù)源于交叉熵的思想，其計算方式如式（7）：

其中，tk為真實值，yk為預測值，模型的整體損失函數(shù)取兩者之和，即為式（8）：

為了降低周期性干擾，訓練過程中對權(quán)重進行了指數(shù)滑動平均，優(yōu)化器采用了RAdam（Rectified Adam）[15]。此外，模型輸入詞向量維度為128，材料限制最大輸入長度為256，答案最大長度限制為10，模型訓練120 epoch。

4 實驗結(jié)果及分析

使用的評測標準有P、R、F1，該文優(yōu)化后的模型與原模型及一些經(jīng)典的模型對比數(shù)據(jù)如表1 所示。

表1 模型實驗結(jié)果

從表1 可以看出，文中模型相對于原基礎(chǔ)模型在準確率和召回率上都有了一定的提升，尤其是召回率R的提升比較明顯。

通過字向量對輸入的詞向量進行微調(diào)，兼顧字向量的靈活和詞向量的語義，再加上半指針-半標注答案解碼模型的引入，在面對答案由多個詞組成以及一段材料中多次出現(xiàn)答案的情況，模型對答案起止位置標注的準確率有所提升，最終再通過半指針-半標注及投票的方式抽取出答案，從而提升了模型的精度。

5 結(jié)論

該文采用字詞混合Embedding 作為MRC 模型的輸入編碼，參考NRSL 模型結(jié)構(gòu)，使用單層LSTM 對問題進行分析，三層LSTM 對材料進行分析，將CRF標注改進為半指針-半標注的答案解碼模塊，最終使模型的準確率和召回率都有了一定的提升。雖然該文的改進對模型性能的提升有限，但是也不可忽略對模型的輸入編碼和輸出解碼模塊進行優(yōu)化帶來的收益，針對不同的網(wǎng)絡(luò)結(jié)構(gòu)，對編碼解碼模塊進行對應(yīng)的優(yōu)化，能最大程度提升模型的整體性能。

隨著信息時代的到來，文中的規(guī)模呈爆炸式增長[16]。因此，機器閱讀理解帶來的自動化和智能化恰逢其時，在工業(yè)領(lǐng)域和人們生活的方方面面都有著廣闊的應(yīng)用空間。因此深入研究機器閱讀理解的原理，從各方面改進模型、提升模型的精度和性能，有著十分重要的價值和意義。