论文笔记整理：谭亦鸣，东南大学博士生，研究方向为跨语言知识图谱问答。

来源：ACL 2019

链接：https://128.84.21.199/pdf/1906.02525.pdf

动机

现有问题生成方法需要大量的“文本-问题”有标注数据对作为训练数据集，对于小语种语言（或缺少有标注数据的语言），有标注数据的缺少是无法实现高质量问题生成的主要原因。从上述因素出发，作者的动机是：利用已有大规模标注数据集（例如英文问题生成数据集，文中描述为 secondary language），用于提升小语种（文中称为 primary language）问题生成模型的性能。

贡献

1.  提出了一种利用大规模 secondary language 数据提升 primary language问题生成的模型

2.   验证上述模型在印度语与中文问题生成的性能.

3. 使用上述模型构建了“文本-问题”形式的印度语问题生成数据集,命名为HiQuAD.

方法

基本概述：

1.    使用无监督模型，将单语primary与secondary文本训练编码到一个共享潜在空间中.

2.    基于上述编码结果，使用大规模 secondary language的问题生成数据以及小规模primary language问题生成数据，用于训练一个有监督模型（Seq2Seq），从而提升primary language的问题生成.

图1问题生成模型框架

模型概述（对照方法基本概述）：

模型框架由（左→右）编码-解码两个主要层次构成（原文描述为两个编码器和两个解码器构成）：

编码层包含两个子层：

1.    第一层为独立的两个单语编码器，分别用于primary(参数下标为 pri)及secondary(参数下标为 sec) language的初编码，W_E/W_D分别表示编码/解码的权重参数；

2.    第二层为融合编码器（两种语言共享编码权重参数），用于将primary及secondary language的初编码结果融合到共享编码空间中；

解码层也包含两个子层：

1.  第三层共享双语权重参数的解码器；

2.  第四层为分别用于primary及secondary language的单语解码器；

方法细节说明

1.    过程细节：

无监督编码过程（作者称为无监督预训练）算法如下图所示：

其中，x_p/x_s 分别表示 primary/secondary 对应的句子，算法包含三个步骤（三个步骤的目的均是通过训练调整模型 W_E/W_D 参数）：

1) 训练编码器，用于将带有噪声的 重构为 x_p/x_s（共享编码器的特性）；

2) 使用关联的编码-解码器将 x_p/x_s 翻译为；

3) 利用步骤2中得到的译文结果 参与训练新的翻译模型；x_p/x_s 将用于下一步的有监督问题生成算法；

问题生成过程算法如下图所示：

1) 使用预训练部分得到的权重参数作为问题生成模型的初始参数

2) 使用 primary/secondary 数据分别训练对应语言的生成模型（通过 secondary 语言的 QG 训练过程对共享编码/解码的权重参数进行微调，从而提升 primary 语言的 QG 性能）

2.    技术细节：

1) 本文使用的编码/解码器模型基于 Transformer 模型（作者表示相对RNN编码模型，在翻译任务中，Transformer 模型效果更好），不同的是，作者将位置信息也加入编码中，并参照双向 RNN 的做法，从两个序列输入方向分别对文本进行编码处理。

2) 去噪编码（预训练算法策略）采用 ‘UNSUPERVISED NEURALMACHINE TRANSLATION’一文类似的策略（如下图所示），通过共享编码，而后单语解码，可以实现对单语文本的重构（去噪）。与他们不同的是，本文作者在共享编码之前先对两种语言单独进行初编码，其次是作者使用 Transformer 替换 RNN 编码/解码。

3) 在训练问题生成模型时，所使用的词表利用BPE方法做子字化（subword unit）处理，使词表的覆盖能力更强，减少OOV情况的同时缩小词表规模（作者表示直接使用原始词表将出现内存不足的错误）

实验

数据说明：

HiQuAD 数据集说明

作者构建的HiQuAD包含6555个‘问题-答案’对，来自于1334个文本段落（原始来源为Dharampal Books），为了构建“文本-问题”对，对于给定的问题，作者首先从段落中选取答案中的首词，然后抽取出对应的整句。

其他实验使用到的数据集说明：

Primary：印度；Secondary：英语

IITB 印度语单语数据集：作者从中抽取了93000个句子作为实验用单语文本（用于预训练阶段）

IITB 印度语-英语平行语料：作者从中抽取了100000个句对用于对预训练结果进行微调，抽取规则确保每个句子长度大于10

Primary：中文；Secondary：英语

DuReader 中文单语数据集：规模为8000

News Commentary Dataset 中英平行语料：包含91000的中英平行语料

SQuAD英文问答数据集：包含70484规模的“文本-问题”对

实验方案：

增量模型说明

1.  Transformer：直接使用小规模问题生成训练集训练得到生成模型；

2. Transformer+pretraining：使用单语数据对编码解码模型进行预训练后，将得到权重参数作为问题生成模型的初始参数；

3.     CLQG：使用双语数据预训练/问题生成的 Transformer+ pretraining；

4. CLQG+parallel：预训练之后，使用平行语料对权重参数进行进一步微调的CLQG；

评价指标说明（均是机器翻译相关指标，得分越高代表系统性能越好）

1.    Bleu

2.    ROUGE-L

3.    METEOR

实验结果

在印度语的问题生成实验中，CLQG+parallel 模型均取得了最优结果，但是在中文 QG 实验结果上，增量模型的效果并不突出，但整体上能够反映出英语语料对于中文问题生成能够带来提高。

分析

1. 利用资源丰富的语料+跨语言表示学习，能够帮助提升小规模语料的表示学习效果，但是，作者并没有验证在同等情况下，该方法对英语（大规模语料）编码效果的影响

2.  HiQuAD 语料的构建过程并不明确，从实验上看，小语种语言问题的生成依然需要小规模的 QG 标注语料参与训练，但是作者对于HiQuAD的构建过程仅描述了获得问题之后文本的获取方式。但问题本身的来源，是否使用了小规模的印度语QG标注数据等细节，未做说明

OpenKG

开放知识图谱（简称 OpenKG）旨在促进中文知识图谱数据的开放与互联，促进知识图谱和语义技术的普及和广泛应用。

点击阅读原文，进入 OpenKG 博客。