【论文阅读】Select Answer and Explain Interpretable Multi-hop Reading Comprehension over Multiple Document

痛定思痛。 2022-08-29 15:54 7阅读 0赞

# Select Answer and Explain Interpretable Multi-hop Reading Comprehension over Multiple Documents #

> 论文：https://arxiv.org/abs/1911.00484

## 任务 ##

在多文档的多跳阅读理解(RC)是一个具有挑战性的问题，因为它需要对多个信息源进行推理，并通过提供支持证据来解释答案预测。本文提出了一个有效的、可解释性的选择、回答和解释**Select, Answer and Explain(SAE)**，系统来解决多文档的RC问题。

## 方法（模型） ##

首先过滤掉与答案无关的文档，从而减少干扰信息量。由一个用新颖的pairwise learning-to-rank loss训练的文档分类器(document classifier)实现。然后将所选的答案相关文档输入到模型中，共同预测答案和支持句。该模型通过多任务学习目标进行了优化，在token层面上进行答案预测，在句子层面上进行辅助句子预测，同时在这两个任务之间进行了基于注意力的交互。答案预测是通过以开始和结束标记为目标的序列标签来完成的，将支持句预测投向(cast)了节点分类任务。建立了一个GNN模型，在上下文句子嵌入上做推理，基于一种新颖的混合注意力池化机制(a novel mixed attentive pooling mechanism)，在token表示上进行总结，多任务学习加上这两个任务之间基于混合注意力的交互，保证了两个任务之间信息的互补性得到利用。

### 模型结构 ###

![image-20210309194459126][]

输入到BERT的数据格式：**“\[CLS\]” + question + “\[SEP\]” + document + “\[SEP\]”**

binary cross entropy loss：  
 L = − ∑ i = 0 n t i l o g P ( D i ) + ( 1 − t i ) l o g ( 1 − P ( D i ) ) L = −\\sum ^n \_\{i=0\} t\_ilogP(D\_i) + (1 − t\_i)log(1 − P (D\_i)) L=−i=0∑ntilogP(Di)\+(1−ti)log(1−P(Di))

>  t i t\_i ti是 D i D\_i Di的标签
> 
> n是文档的数量
> 
>  P ( D i ) P(D\_i) P(Di)是文档i在标签 t i t\_i ti下的概率

#### 不足： ####

这种简单的方法单独处理每个文档，而不考虑文档间的交互和关系，而这些关系对于下游的多跳推理任务至关重要。

#### 改进： ####

加入multi-head self-attention (MHSA) 层。

![image-20210309200203672][]

#### MHSA层定义： ####

A t t e n t i o n = s o f t m a x ( Q K T d k ) Attention = softmax( \\frac\{QK^T\}\{\\sqrt\{dk\}\} ) Attention=softmax(dkQKT)

M u l t i h e a d = C o n c a t ( h e a d i . . . h e a d n ) W o Multihead = Concat(head\_i...head\_n)W^o Multihead=Concat(headi...headn)Wo

h e a d i = A t t e n t i o n ( Q W i Q , K W i k , V W i v ) headi= Attention(QW^Q\_i, KW^k\_i, V W^v\_i) headi=Attention(QWiQ,KWik,VWiv)

> Q、K、V是文档的 "CLS "嵌入的线性投影，分别代表注意力查询、键和值。

通过让文档/问题表示相互作用，模型能够在更好的输入信号上进行训练，以选择一组需要的黄金文档进行答案提取和支持句预测。

binary cross entropy:  
 L = − ∑ i = 0 n ∑ j = 0 i l i , l j l o g P ( D i , D j ) + ( 1 − l i , j ) l o g ( 1 − P ( D i , D j ) ) L = −\\sum^n \_\{i=0\}\\sum ^i\_\{j=0\}l\_i,l\_j logP (D\_i, D\_j)+(1−l\_\{i,j\})log(1−P (D\_i, D\_j)) L=−i=0∑nj=0∑ili,ljlogP(Di,Dj)\+(1−li,j)log(1−P(Di,Dj))

>  l i , l j l\_i,l\_j li,lj是一对文档 ( D i , D j ) (D\_i, D\_j) (Di,Dj)的标签
> 
>  P ( D i ， D j ) P(D\_i，D\_j) P(Di，Dj)是模型预测的 D i D\_i Di比 D j D\_j Dj更相关的概率

支持句预测：

答案预测任务总是可以帮助支持句预测任务，因为有答案的句子总是一个证据；但反过来就不一样了，因为可能有多个支持句，而概率最高的句子可能不包含答案。因此，为了利用两个互补任务之间的相互作用，提出了一种基于注意力的总结句子表示法(attention-based summarized sentence representation)，从答案预测中引入互补信息。

注意力权重的计算方法：一部分注意力是用 S j S\_j Sj上的自注意力计算的；另一部分来自答案预测任务中的起点和终点位置logits的相加。

在句子嵌入 s j s\_j sj上建立一个GNN模型，促进对预测黄金文档中所有句子的多跳推理，以更好地利用复杂的关系信息。

#### GNN模型结构： ####

![image-20210310093815685][]

三种类型边：

1.  如果它们最初来自同一文档，则在两个节点之间添加边。
2.  如果表示两个节点的句子在问题中都包含命名实体或名词短语（可能是不同的），则在来自不同文档的两个节点之间增加一条边。
3.  如果表示两个节点的句子具有相同的命名实体或名词短语，则在来自不同文档的两个节点之间添加一条边。

## 数据集 ##

**HotpotQA**

例子：

![image-20210308200628718][]

## 性能水平 ##

![image-20210310195756747][]

*  BERT base uncased model (“SAE”)
 *  Roberta large model (“SAE-large”)
 *  使用wordpiece tokenizer
 *  使用 s p a C y 3 spaCy^3 spaCy3进行命名实体识别

本文提出的方法比基线模型在Joint上的EM和F1得分分别提高了28%和25%以上，与之前提出的模型相比都有较明显的改善。

本文使用的预测黄金文档的模型与oracle黄金文档之间的差距约为3-4%，表明本文提出的的文档选择模块的有效性。

使用large pre-trained language models作为encoders，性能得到了极大的改善。

## 结论 ##

### 消融实验 ###

*  SAE

![image-20210310202416212][]

> " E M S EM\_S EMS "和 " R e c a l l s S Recalls\_S RecallsS "衡量的是两个黄金文档被选中的准确率和召回率
> 
> " A c c s p a n Acc\_\{span\} Accspan "衡量的是包含答案跨度的黄金文档的被选中的准确率。

MHSA机制允许来自不同文件的信息相互作用，从测试结果来看，对模型的效果很有必要。

*  提出的SAE系统在**distractor setting**下取得了比其他现有系统更高的竞争性能。
 *  提出的系统在HotpotQA盲测集上达到了比现有系统更有竞争力的结果。

[image-20210309194459126]: /images/20220829/b6d2c25d1db04330bb009a3afd656cb9.png
[image-20210309200203672]: /images/20220829/d6e50b1bdb9a48249dc43568e24a9a50.png
[image-20210310093815685]: /images/20220829/e926d4c621a244ea8edb1970b70d5213.png
[image-20210308200628718]: /images/20220829/e547186bf2664f3796086c81d2cb5d5b.png
[image-20210310195756747]: /images/20220829/970766980aa14512be964b85f141a343.png
[image-20210310202416212]: /images/20220829/76a5aaec1e9b46de95d865f0ea783762.png

【论文阅读】Select Answer and Explain Interpretable Multi-hop Reading Comprehension over Multiple Document

发表评论取消回复

还没有评论，来说两句吧...

相关阅读

相关【论文阅读】Improving Document-level Relation Extraction via Contextualizing Mention Representations and W

相关【论文阅读】Document-Level Relation Extraction with Adaptive Thresholding and Localized Context Pooling

相关【论文阅读】Dynamic Sampling Strategies for Multi-Task Reading Comprehension

相关【论文阅读】DDRQA: Dynamic Document Reranking for Open-domain Multi-hop Question Answering

相关【论文阅读】Multi-hop Reading Comprehension through Question Decomposition and Rescoring

相关【论文阅读】Multi-paragraph Reading Comprehension with Token-level Dynamic Reader and Hybrid Verifier

相关【论文阅读】Select Answer and Explain Interpretable Multi-hop Reading Comprehension over Multiple Document

相关【论文阅读】Recurrent Chunking Mechanisms for Long-Text Machine Reading Comprehension

相关【代码实现】READING AND ANSWERING GIVEN REASONING PATHS

相关 2017emnlp---Document-Level Multi-Aspect Sentiment Classification as Machine Comprehension阅读笔记