云从科技上交大提出DCMN+ 模型,在多项阅读理解数据集上成绩领先
2020 年 2 月 7 日-2 月 12 日,AAAI 2020 将于美国纽约举办。不久之前,大会官方公布了今年的论文收录信息:收到 8800 篇提交论文,评审了 7737 篇,接收 1591 篇,接收率 20.6%。本文介绍了由云从科技与上海交大合作的论文《DCMN+: Dual Co-Matching Network for Multi-choice Reading Comprehension》。
链接:https://arxiv.org/pdf/1908.11511.pdf
在那些寒窗苦读的学生时代,你一定碰见过阅读理解,它需要融会贯通进行主观陈述和作答,是让无数考生头疼的题目。继智能系统在围棋、国际象棋、游戏等领域超越人类后,「阅读理解」也成为了机器的「苦恼」。
在此 AAAI 2020 论文中,云从科技和上海交大针对 RACE 多项选择题提出增强的 DCMN+模型。
据介绍,DCMN+是年初论文作者们提出的 DCMN 增强模型,针对多项选择型机器阅读理解,以大规模预训练模型(如 BERT 等)作为前端编码器,在多个多项选择型机器阅读理解任务(如卡耐基梅隆大学的 RACE)上取得了最先进的水平,另外 DCMN 也适用于其他简单分类任务。
与其他技术相比,其显著特征是双向匹配策略,其他现有模型的匹配策略都是单向的,比如在文章-问题(P-Q)建模时,现有技术只有问题(Q)在文章(P)上的映射匹配,没有文章(P)在问题(Q)上的映射匹配,而 DCMN 则集成了两个方向的匹配信息。此外,还集成了文章中句子筛选-从文章(P)中筛选出与问题相关的句子用于推理,答案选项交互-引入选项之间比较信息两种阅读策略,进一步提升了模型的性能。
以下是对此论文的技术解读。
1 任务描述
本文主要聚焦多项选择型机器阅读理解,它的形式类似于英语考试中的阅读理解(选择题),给定一篇文章,通过阅读并理解文章(Passage),针对提出的问题(Question)从选项中选择正确的答案(Answers)。其中典型的数据集是卡内基-梅隆大学发起的大型深层阅读理解任务数据集 RACE(ReAding Comprehension dataset collected from English Examinations),它来源于中学考试题目的大规模阅读理解数据集,包含了大约 28000 个文章以及近 100000 个问题。除了 RACE,我们还在 SemEval-2018 Task11, ROCStories,MCTest 以及 COIN Task1 等类似多项选择型数据集上测试了我们的模型。
一个典型的多项选择型机器阅读理解的例子
2 模型框架
本文提出的 DCMN+主要包含三个模块:1)文章中句子筛选,从文章(Passage)中筛选出与问题相关的句子用于推理;2)答案选项交互,引入选项之间比较信息;3)双向匹配策略,充分利用 Passage,Question 与 Answers 之间的交互信息,作对称双向匹配。
整体模型框架,三个模块:Sentence Selection, Option Interaction 和 Bidirectional Matching
2.1 编码器
本文直接以预训练完的语言模型作为前端编码器,例如 BERT 以及 XLNet,分别编码 Passage,Question 及 Answers。
2.2 文章句子选择(Passage Sentence Selection)
为从文章中选择出与问题最相关的句子,我们分别计算了文章中每个句子与问题-选项对的相似度,选出最为相关的 K(超参数)个句子,输入到模型的以后部分作为推理依据。具体计算句子间相似度的方式有两种:余弦距离与双线性距离。
余弦距离:逐个计算文章中句子与问题-选项对中单词间的距离,取其平均值作为相似度分数:
双线性距离:通过计算文章句子与问题选项对的双线性匹配分数,然后通过线性降维来得到最后的分数:
2.3 答案选项交互(Answer Option Interaction)
通过引入答案选项之间的比较信息,使得每个答案融入了相对于其他答案的比较信息,从而每个答案选项不在是孤立的,具体计算方式是引入每对选项之间的双线性比较信息,最后使用门控机制与原始的选项信息融合。
2.4 双向匹配策略(Bidirectional Matching)
计算 Passage-Question-Answers 三元组中所有的两两二元组的双向匹配信息,即 P-Q,P-A,Q-A。接下来以 Q-A 之间的匹配方式作为说明:问题及答案选项分别被编码为 H^q 以及 H^a,则 Q-A 间的双向匹配表示 M^qa 可以用以下方式计算:
2.5 目标函数
得到文章,问题,答案选项之间双向匹配表示
之后,我们把它们串联起来过一层全连接线性层去预测最后的答案,如果 A^k 是正确的答案选项,Loss 可以计算如下:
3 实验结果
我们在各个多项选择数据集上均取得了最先进的成绩,包括 RACE,SemEval-2018 Task11, ROCStories,MCTest 以及 COIN Task1。
在 RACE 上的结果比较,我们取得了最高的成绩
在 SemEval-2018 Task11, ROCStories,MCTest 以及 COIN Task1 的成绩,我们均取得了最高的成绩
DCMN+模型在 RACE、SemEval-2018 Task11、 ROCStories、MCTest 以及 COIN Task1 不同数据集上均取得了最高成绩。
在 RACE 上的结果比较,取得最高成绩
在 SemEval-2018 Task11, ROCStories,MCTest 以及 COIN Task1 上,也均获得最高成绩
云从科技上交大提出DCMN+ 模型,在多项阅读理解数据集上成绩领先相关推荐
- domain gap(域间隙)是什么?==>在一个数据集上训练好的模型无法应用在另一个数据集上
不同数据集之间存在domain gap,在一个数据集上训练模型,在另外一个数据集上进行预测性能下降很大 re-id(视频行人重识别问题) 现有公开的数据集与真实场景存在很大不同,不同re-id的数据集 ...
- 机器也学会如何做「阅读理解」了? 云从科技上交大提出的DCMN+ 模型为你解答!!!...
关注上方"深度学习技术前沿",选择"星标公众号", 资源干货,第一时间送达! 转自机器之心 2020 年 2 月 7 日-2 月 12 日,AAAI 2020 ...
- 比RNN快136倍!上交大提出SRNN,现在RNN也能做并行计算了
比RNN快136倍!上交大提出SRNN,现在RNN也能做并行计算 论文和开源代码地址: https://arxiv.org/pdf/1807.02291.pdf https://github.com/ ...
- 【CVPR 2020】弱监督怎样做图像分类?上交大提出自组织记忆网络
点击上方"视学算法",选择"星标"公众号 重磅干货,第一时间送达 本文转载自机器之心 近日,计算机视觉顶会 CVPR 2020 接收论文结果公布,从 6656 ...
- CVPR | 让合成图像更真实,上交大提出基于域验证的图像和谐化
点击上方"小白学视觉",选择加"星标"或"置顶" 重磅干货,第一时间送达 近日,计算机视觉顶会 CVPR 2020 接收论文结果公布,从 6 ...
- 【CVPR 2020】让合成图像更真实,上交大提出基于域验证的图像和谐化
本文转载自机器之心(公众号ID:almosthuman2014),未经许可请勿二次转载. 近日,计算机视觉顶会 CVPR 2020 接收论文结果公布,从 6656 篇有效投稿中录取了 1470 篇论文 ...
- 机器阅读理解首次超越人类!云从刷新自然语言处理新纪录
媒体动态发展历程资质荣誉人才招聘 机器阅读理解首次超越人类!云从刷新自然语言处理新纪录 2019-03-11 10:06 浏览:454 近日,云从科技和上海交通大学在自然语言处理领域取得重大突破,在卡 ...
- 京东AI研究院获QuAC机器阅读理解竞赛冠军,EL-QA模型能力业界领先
来源:机器之心 本文约2000字,建议阅读8分钟 京东提出的 EL-QA 模型(登顶 QuAC Leaderboard,全部三项指标均获得第一名. [ 摘要 ]近日,在斯坦福大学.华盛顿大学.Alle ...
- RACE数据集上相关的研究
根据引用RACE的文献,看看RACE数据集都被用来做了什么事情 主要分为以下几个方面: 1 一些预训练模型的优化与研究. MPNet: Masked and Permuted Pre-training ...
最新文章
- javaScript事件(二)事件处理程序
- python怎么画条形图-用Matplotlib如何绘制条形图、直方图和散点图
- 4.mysql数据库创建,表中创建模具模板脚本,mysql_SQL99标准连接查询(恩,外部连接,全外连接,交叉连接)...
- 中值滤波讲解-Matlab
- Office2010翻译无处不在
- C++用new和不用new创建类对象区别
- C++常识“屯”和“烫”
- 创建一棵二叉树(C++)以及遍历
- CMY和CMYK彩色模型
- 物联网芯片并非单一产品,目前主要划分为哪几芯片?
- 10本最热门科普书免费送!人工智能数学物理获奖经典佳作!
- MIT 6.828 Lab1(从引导扇区开始)
- html网页随机一言,PHP简单实现一言 / 随机语录功能
- Byte学堂:共享单车数据处理原理及分析方法
- Python解决抓取内容乱码问题(decode和encode解码)
- Artificial Intelligence -- Chapter 12 Intro to Machine Learning
- 全文搜索引擎Elasticsearch安装(Windows),elasticsearch-php使用案例
- VLC一--零阶指数哥伦布码解码原理和实现
- JavaScript 按字母顺序排列对象数组
- Excel中vba 立即窗口使用方法详细介绍
热门文章
- python ~ not 的区别 :前者按位取反,后者是逻辑‘与或非’的‘非’
- Java 专业人士必备的书籍和网站列表
- oracle如何上传图片,js实现上传图片之上传前预览图片
- 三、Spring Boot在org.springframework.boot组下应用程序启动器
- 大赛季(2020)新一代信息技术行业赛赛事公告
- 入门深度学习的必备数学知识
- 重磅开源人工智能纹理分割自动分割由参考纹理覆盖图像自监督学习
- 不可错过! CMU《高级自然语言处理》
- 独家|OpenCV1.8 使用XML和YAML文件实现文件的输入/输出
- 独家 | AI仍然受困于仇恨言论——但科学家们在衡量每个系统失败的地方正做得越来越好...