面向机器理解的多视角上下文匹配

Abstract

基于SQuAD数据集，作者提出了一个多视角上下文匹配模型，可以直接预测答案在文章（passage）的起始位置和开始位置。首先，模型通过乘以针对问题计算的相关权重来调整passage中的每个词嵌入向量，然后，使用BiLSTM来对问题和加权后的passage进行编码，接着，针对passage中的每个点，模型结合编码后的问题对每个点的上下文进行多个视角的匹配，并产生一个匹配向量。在这些匹配向量上，再使用另一个BiLSTM对信息进行集成，最后预测开始和结束索引。

2. Model

2.1 Task Definition

MC模型需要理解段落中的问题、原因，然后确定答案范围。答案要限定于原文，模型只需要判断原文中哪些词是答案即可，是一种QA抽取任务。如果这个上下文与问题非常相似，则这个范围很可能是正确答案。

形式上，将SQuAD数据集表示为三元组:

MC任务可以表示为基于训练集估计条件概率，通过以下方式预测测试实例的答案。

其中是P的一组候选答案。

对预测起点和终点进行简单的独立假设，将模型简化为：

2.2 Multi-Perspective Context Matching Model

2.2.1 Word Representation Layer

通过glove、word2vec将词和字符映射为向量，并输入到LSTM中，输出为：

2.2.2 Filter Layer

大多数情况下，回答问题只需要文章的一小部分，因此采用filter layer来过滤掉文章中的冗余信息（「如果passage中的单词与该问题更相关，在后续步骤中应该考虑该单词的更多信息。」）。

首先，计算passage中的每个单词与question的每个单词的相关度:

其中表示passage的每个单词的相关度。

然后通过过滤掉每个单词向量，并将传递到下一层。

2.2.3 Context Representation Layer

该层的目的是将上下文信息整合到passage和questions中的每个时间步的表示中。

2.2.4 Multi-Perspective Context Matching Layer

「本篇文章的核心层，目标是从多个视角比较passage和questions的每个context embedding，主要将多视角匹配函数定义为两个方向。」

2.2.4.1 维数加权匹配

返回值m是一维向量，m是视角或者是选取特征的数量，是从第k个角度来看的匹配值。通过两个加权向量之间的协正弦相似度进行计算。

2.2.4.2 将passage的每个上下文嵌入与问题进行比较

采用三种匹配策略，将得到的向量连接后为

「Full-Matching」：将段落的每个前向（或后向）上下文嵌入与整个问题的前向（或后向）表示进行比较。

「Max Pooling-Matching」：将段落的每个前向（或后向）上下文嵌入与整个问题的前向（或后向）表示进行比较，并且保留最大值。

「Mean Pooling-Matching」：与上面类似，只是将max运算换成mean。

最终的匹配向量为：

2.2.5 Aggregation Layer

该层用于汇总匹配向量，以便passage的每个时间步都可以与周围的位置进行交互。本文将匹配向量与BiLSTM结合在一起，并为每个时间步生成聚集向量。

3. Experiments

3.1 Results

3.2 Ablation Studys

对于多视角层，max polling起的作用最大。

4. 启示

1. 比较老的MC论文，采用的匹配机制，通过多视角的方法取得了不错的效果，但是现在在各种注意力的加持下，显得这种方法可能过于简单。

2. 欢迎关注微信公众号：自然语言处理CS，一起来交流NLP。