基于多篇章多答案的閱讀理解系統(tǒng)

劉家驊，韋 琬，陳 灝，杜彥濤

(1. 清華大學(xué) 計算機系，北京 100084；2. 北京奇點機智科技有限公司，北京 100080)

0 引言

機器閱讀理解任務(wù)是自然語言處理的核心問題。近年來各個數(shù)據(jù)集的發(fā)布，大大推進(jìn)了機器閱讀理解任務(wù)的發(fā)展。最近，在由中國中文信息學(xué)會和中國計算機學(xué)會主辦，百度公司、中國中文信息學(xué)會評測工委會和中國計算機學(xué)會中文信息技術(shù)專委會承辦的2018機器閱讀理解技術(shù)競賽中，發(fā)布了一個大規(guī)模的源于真實搜索引擎任務(wù)場景的中文閱讀理解數(shù)據(jù)集，這將對中文閱讀理解領(lǐng)域的發(fā)展產(chǎn)生很大的推動作用。

與其他早前發(fā)布的數(shù)據(jù)集相比，本次比賽的數(shù)據(jù)有如下特點： (1)來源于真實數(shù)據(jù)，包含不同類型的問題。數(shù)據(jù)不但包括事實類問題，還包括大量意見型問題，而意見型問題常常對應(yīng)多個答案； (2)問題對應(yīng)的文檔以網(wǎng)頁全文的形式給出，其長度也大大超過常見閱讀理解模型的限制； (3)包括百度搜索和百度知道兩部分不同來源的數(shù)據(jù)，相互間存在很大差異。這些特點決定了這個數(shù)據(jù)集比以往的機器閱讀理解數(shù)據(jù)集具有更大的挑戰(zhàn)性。為了應(yīng)對這些挑戰(zhàn)，我們從數(shù)據(jù)預(yù)處理、特征表示、模型選擇、損失函數(shù)的設(shè)定和訓(xùn)練方法的選擇等多個方面對系統(tǒng)進(jìn)行改進(jìn)。實驗表明，每個部分的改進(jìn)都對結(jié)果的提高做出了貢獻(xiàn)。最終，我們的系統(tǒng)在ROUGE-L和BLEU-4上分別取得了63.38和59.23的分?jǐn)?shù)，獲得了2018機器閱讀理解技術(shù)競賽的第一名。

接下來，我們將從競賽數(shù)據(jù)集和評價方法、數(shù)據(jù)預(yù)處理、模型結(jié)構(gòu)、實現(xiàn)細(xì)節(jié)、實驗結(jié)果和樣例分析等方面分節(jié)介紹我們的工作，并在結(jié)論部分對工作進(jìn)行總結(jié)。

1 競賽數(shù)據(jù)集和評價方法

本次競賽的數(shù)據(jù)集包括30萬問題(其中訓(xùn)練集27萬，開發(fā)集1萬，測試集2萬)，其中20萬來自先前公開發(fā)布的DuReader數(shù)據(jù)集[1]，所有問題均為來自搜索引擎場景中用戶的真實問題。每個問題提供最多5個候選文檔以及人工撰寫的一個或者多個答案作為參考答案。數(shù)據(jù)集分為百度搜索和百度知道兩部分(以下簡稱搜索和知道)，每一部分各包括15萬問題。搜索部分的文檔來源于百度搜索引擎提供的相關(guān)度最高的網(wǎng)頁，而知道部分的文檔來源于百度知道網(wǎng)站的站內(nèi)搜索引擎提供的相關(guān)度最高的問題對應(yīng)的網(wǎng)頁。與大多數(shù)常用的閱讀理解數(shù)據(jù)集不同的是，本次競賽數(shù)據(jù)集提供的每個文檔都包含來源網(wǎng)頁的全文文本內(nèi)容。

競賽以測試集的人工標(biāo)注答案為參考答案，采用ROUGH-L為主評價和指標(biāo)，BLEU4作為評價指標(biāo)，其中以ROUGH-L作為主評價指標(biāo)。同時對于是非及實體類型問題，對ROUGE-L和BLEU4評價指標(biāo)進(jìn)行了輕微的改動，適當(dāng)增加了正確識別是非答案類型及匹配實體的得分獎勵，一定程度上彌補傳統(tǒng)ROUGE-L和BLEU4指標(biāo)對是非和實體類型問題評價不敏感的問題。

2 數(shù)據(jù)預(yù)處理

2.1 文檔預(yù)處理

由于這次比賽數(shù)據(jù)集提供的每個文檔都包含來源網(wǎng)頁的全部文本內(nèi)容，長度比其他常用數(shù)據(jù)集長很多，最長的文檔包含多達(dá)9萬多個詞，大大超出了常用的機器閱讀理解模型可以接受的范圍(通常為數(shù)百詞)。因此，我們需要對文檔進(jìn)行預(yù)處理，抽取出文檔中可能含有答案的部分作為篇章輸入，放入模型中進(jìn)行訓(xùn)練和預(yù)測。

對于知道和搜索兩部分?jǐn)?shù)據(jù)，我們采取了不同的預(yù)處理方法。知道的數(shù)據(jù)來源是百度知道問答中相關(guān)問題的對應(yīng)網(wǎng)頁，所有內(nèi)容都是與網(wǎng)頁標(biāo)題對應(yīng)的問題(和用戶提出的問題不一定相同)相關(guān)的信息?；谠角懊娴男畔⒖赡茉接杏玫募僭O(shè)，對于知道數(shù)據(jù)里面的每一篇文檔，我們將文檔標(biāo)題和所有段落順次連接，中間插入特殊的符號表示段落分割，然后截取最前面不超過預(yù)設(shè)最大長度的內(nèi)容，將得到的結(jié)果作為預(yù)處理的結(jié)果。

對于搜索部分的數(shù)據(jù)，文檔包含一般網(wǎng)頁的全部文本信息，前面部分的內(nèi)容有可能與問題沒有關(guān)系。因此，我們采取如下策略：

(1) 將標(biāo)題和各段內(nèi)容以特殊符號分隔后連接在一起，如果得到的結(jié)果沒有超過預(yù)設(shè)最大長度，則將其作為預(yù)處理的結(jié)果；

(2) 否則，我們計算各段落和問題的BLEU-4分?jǐn)?shù)，以衡量段落和問題的相關(guān)性；

(3) 在分?jǐn)?shù)排名前k的段落中，選擇最早出現(xiàn)的段落；

(4) 選取標(biāo)題、這個段落以及下一個段落；

(5) 對于此后第3到第10個段落，選取每個段落的第一句話；

(6) 將所有選取的內(nèi)容以特殊符號分隔后連接在一起，截取最前面不超過預(yù)設(shè)最大長度的內(nèi)容，將得到的結(jié)果作為預(yù)處理的結(jié)果。

上述方法基于兩個假設(shè)： 第一，答案可能出現(xiàn)在與問題相似的段落后面；第二，越靠前面的內(nèi)容越重要。引入文檔標(biāo)題的原因在于從文檔標(biāo)題很容易判斷文檔內(nèi)容是否與問題相關(guān)。

引入上述啟發(fā)式預(yù)處理機制后，采用同樣的模型，得到的結(jié)果比基線系統(tǒng)提供的簡單預(yù)處理方法有大幅提高，對此我們將在實驗部分具體說明。值得注意的是，數(shù)據(jù)集提供了未經(jīng)過分詞的原始文本以及分詞后的結(jié)果，我們的模型選擇分詞后的結(jié)果作為輸入。

2.2 參考答案片段

與大多數(shù)主流工作相同，我們將閱讀理解任務(wù)建模成篇章中的片段抽取問題。在數(shù)據(jù)集中，每個問題可能對應(yīng)多個人工撰寫的答案。對于每個答案，我們在篇章中尋找一個與答案F1分?jǐn)?shù)最高的片段，作為這個答案的參考答案片段，在訓(xùn)練時使用。對于僅使用一個答案片段的模型，我們采用與任意一個答案的F1分?jǐn)?shù)最高的片段作為參考答案片段訓(xùn)練模型(這種情況與百度提供的基線系統(tǒng)一致)。

3 模型結(jié)構(gòu)

3.1 特征表示層

在現(xiàn)在常見的機器閱讀理解模型中，詞向量是最常用的特征表示方法。以往的工作表明，使用預(yù)先訓(xùn)練好的詞向量作為輸入，并在閱讀理解任務(wù)的訓(xùn)練過程中固定保持詞向量不變，相比于使用隨機初始化的詞向量，并在訓(xùn)練過程中同步訓(xùn)練詞向量，效果會有提升。因而，我們的模型也使用相同的方法。

在英文閱讀理解模型中，加入基于字符序列得到的詞表示對于結(jié)果有穩(wěn)定的提升效果。這是因為英文單詞有豐富的詞綴變化，語義相同詞性不同的單詞擁有相同的詞干，只在詞綴上有所區(qū)分，而詞綴相同的單詞往往詞性相同。這樣的特性使得引入字符序列的信息能夠緩解未登錄詞的問題。而漢語詞匯沒有這樣的特性，含有相同字的不同詞語的意思可能完全沒有任何聯(lián)系。我們也嘗試使用循環(huán)神經(jīng)網(wǎng)絡(luò)整合預(yù)訓(xùn)練好的字向量的信息得到詞的表示，作為額外的特征表示，但是實驗效果并沒有明顯地變好。

在以往的工作如文獻(xiàn)[2]中，除了詞向量以外，一些其他的特征也被運用在閱讀理解模型當(dāng)中。我們的模型使用了詞性標(biāo)注信息。我們使用詞性標(biāo)注工具，對每個問題和對應(yīng)的篇章進(jìn)行詞性標(biāo)注，得到其中每一個詞的詞性信息。對于每一種詞性，我們預(yù)先訓(xùn)練好對應(yīng)的詞性向量。問題和篇章中的每個詞對應(yīng)的詞性向量也作為詞的特征表示之一。

對于篇章里面的每一個詞，我們還使用一個額外的二值特征wiq，表示這個詞有沒有在對應(yīng)的問題中出現(xiàn)。

問題的類型也能夠?qū)卮饐栴}提供幫助。2018機器閱讀理解技術(shù)競賽將問題分成三種類型： 實體類，描述類和判斷類。我們認(rèn)為這樣的劃分不夠細(xì)致，通過簡單的關(guān)鍵字匹配，將問題劃分成九種常見類型，大致對應(yīng)英文的各個疑問詞。具體的問題分類和對應(yīng)的關(guān)鍵詞信息見表1。

給定任意一個問題，首先按表1的順序從上到下匹配各個關(guān)鍵詞，如果問題包含某一分類的其中一個關(guān)鍵詞，則被匹配到該分類。如果問題沒有包含上述任意關(guān)鍵詞，則認(rèn)為問題是數(shù)據(jù)集給定的類型。因此，我們一共將問題分為12類(包括表1定義的九種類型和數(shù)據(jù)集本身給定的三種類型)，對于每個問題，都會在問題開始加上一個特殊符號表示其對應(yīng)的問題類型。

表1 問題分類和對應(yīng)關(guān)鍵詞

3.2 問題篇章分別編碼層

3.3 問題篇章匹配層

3.3.1 BiDAF匹配層

Seo[3]等提出BiDAF模型利用雙向注意力機制來融合問題和篇章的信息的方法。我們首先通過內(nèi)積計算出每個問題中的詞和每個篇章中的詞的相似度，如式(3)所示。

(3)

然后利用他們的方法計算出問題到篇章(context2query)和篇章到問題(query2context)的注意力表示，如式(4)～式(7)所示。

A=softmax(S)

(4)

(5)

b=softmax(maxcol(S))

(6)

(7)

然后再利用一層雙向LSTM得到隱層表示,如式(8)所示。

(8)

3.3.2 MatchLSTM匹配層

參照Wang和Jiang[4]提出的MatchLSTM模型，我們首先計算：

然后再利用一層雙向LSTM得到隱層表示,如式(13)所示。

(13)

3.3.3 DCA匹配層

Hasan和Fischer[5]提出在使用雙向注意力機制之后，再使用一層注意力機制進(jìn)一步融合信息的方法：

然后再利用一層雙向LSTM得到隱層表示,如式(21)所示。

(21)

在實驗結(jié)果部分，我們會比較不同匹配層對模型性能帶來的影響。

3.4 答案抽取層

其中,t=1,2。

在答案抽取層，為了給一個問題統(tǒng)一尋找一個答案片段，同一問題對應(yīng)的不同篇章得到的隱層表示被連接起來，這部分的實現(xiàn)和基線系統(tǒng)相同。

3.5 損失函數(shù)

對于片段抽取模型來說，通常采取如下?lián)p失函數(shù),如式(26)所示。

(26)

其中,a1和a2分別表示參考答案片段對應(yīng)篇章中的開始位置和結(jié)束位置。

與大多數(shù)已有的閱讀理解數(shù)據(jù)集不同，2018機器閱讀理解技術(shù)競賽的數(shù)據(jù)集為每個問題提供不止一個參考答案。最終評判的時候，只要機器預(yù)測的答案與其中一個答案相同或者類似，就會得到比較高的分?jǐn)?shù)。因而，與只考慮一個參考答案的經(jīng)典模型相比，在訓(xùn)練的時候考慮所有參考答案可以更有效地利用數(shù)據(jù)，訓(xùn)練出更好的模型。對于給出多個參考答案的問題，我們利用2.2節(jié)介紹的方法對于每個答案找到它在篇章中的參考答案片段，并定義如下?lián)p失函數(shù),如式(27)所示。

(27)

3.6 利用輔助任務(wù)聯(lián)合訓(xùn)練

Tan[6]等提出了以預(yù)測答案從哪個篇章得到的問題作為輔助任務(wù)，進(jìn)行聯(lián)合訓(xùn)練，提高多篇章閱讀理解模型性能的方法。我們借鑒了他們的思路，設(shè)計了篇章選擇損失函數(shù)。

對于匹配層得到的每一個篇章的隱層表示，我們使用“注意力池化” (attention pooling)和投影變化，從而計算每一個篇章和問題的匹配分?jǐn)?shù)g:

然后將輔助任務(wù)損失函數(shù)Lsp定義為：

(32)

+(1-selk)log(1-gk))

其中,selk表示是否有答案片段出自該篇章。

于是，我們使用最大似然估計聯(lián)合訓(xùn)練優(yōu)化目標(biāo)函數(shù)，如式(33)所示。

JMLE=L+λspLsp

(33)

3.7 利用最小風(fēng)險訓(xùn)練

前面提出的損失函數(shù)使用最大似然估計，目標(biāo)是最大化訓(xùn)練集中每個問題的參考答案區(qū)間出現(xiàn)的概率。與之相比，使用最小風(fēng)險訓(xùn)練直接對評估指標(biāo)的期望進(jìn)行優(yōu)化，在機器翻譯等方向取得了很好的結(jié)果。

在閱讀理解任務(wù)上，最小風(fēng)險訓(xùn)練的目標(biāo)函數(shù)可以被定義為式(34)。

(34)

參考前人的工作，進(jìn)行最小風(fēng)險訓(xùn)練的時候，我們以最大似然估計訓(xùn)練得到的模型參數(shù)，作為初始化參數(shù)。在這種情況下，我們發(fā)現(xiàn)，聯(lián)合訓(xùn)練最大似然估計和最小風(fēng)險訓(xùn)練的目標(biāo)函數(shù)可以得到更好的結(jié)果，如式(35)所示。

J=JMLE+λMRTJMRT

(35)

3.8 判斷類問題模型

然后將rp做投影到分類維度，再用交叉熵做損失函數(shù)訓(xùn)練分類模型。

4 實現(xiàn)細(xì)節(jié)

4.1 預(yù)訓(xùn)練詞向量

我們利用數(shù)據(jù)集提供的未分詞文本和分詞結(jié)果，使用一層的LSTM模型訓(xùn)練了一個分詞器，然后用這個分詞器將SogouT的部分文檔進(jìn)行分詞，用分詞得到的結(jié)果作為輸入，以語言模型為訓(xùn)練目標(biāo)，使用一層的LSTM模型訓(xùn)練256維的中文詞向量。得到的預(yù)訓(xùn)練詞向量被用在閱讀理解模型中，并且在訓(xùn)練閱讀理解模型的過程中保持不變。

4.2 模型參數(shù)和訓(xùn)練方法

在訓(xùn)練過程中，我們設(shè)定每個篇章的最大長度為500詞，batch size為32。為防止模型過擬合，層與層之間采用了dropout技術(shù)，所有隱層表示向量為150維，單模型系統(tǒng)的dropout比例設(shè)為0.15。我們使用λMRT=10.0，在單一模型情況下λsp=5.0。

我們采用Adam算法來優(yōu)化我們的模型，學(xué)習(xí)率(learning rate)在訓(xùn)練過程中保持0.001不變。對于知道部分和搜索部分的數(shù)據(jù)，我們使用兩個模型分別訓(xùn)練和預(yù)測。使用最大似然估計訓(xùn)練模型時，我們訓(xùn)練10輪(epoch)，每一輪訓(xùn)練之后在開發(fā)集測試性能，最終選擇開發(fā)集上性能最好的模型。使用最小風(fēng)險訓(xùn)練時，模型以最大似然估計訓(xùn)練得到的參數(shù)作為初始化參數(shù)進(jìn)行訓(xùn)練。由于使用最小風(fēng)險訓(xùn)練速度較慢，且使用最大似然估計訓(xùn)練好的模型參數(shù)進(jìn)行初始化以后，模型通常在第一輪訓(xùn)練結(jié)束的時候就達(dá)到最好的效果，于是使用最小風(fēng)險訓(xùn)練時我們只訓(xùn)練1輪。

4.3 實驗環(huán)境和訓(xùn)練時間

實驗所用的服務(wù)器使用4核Intel(R) Xeon(R) CPU E5-2630 v4 2.20GHz CPU，配有128GB內(nèi)存，顯卡為TITAN X Pascal，顯存大小為12GB。每個實驗使用單個GPU進(jìn)行訓(xùn)練。

在搜索部分?jǐn)?shù)據(jù)上，BiDAF模型每一輪數(shù)據(jù)訓(xùn)練和驗證時間約為3h，MatchLSTM模型約為5h，DCA模型約為3h。知道部分?jǐn)?shù)據(jù)每一輪訓(xùn)練所用時間與搜索部分?jǐn)?shù)據(jù)相仿。使用最小風(fēng)險訓(xùn)練時，由于每次要計算所有片段和參考答案的Rouge-L值，訓(xùn)練速度相對緩慢，BiDAF模型每一輪大概需要16h。

4.4 預(yù)測結(jié)果和結(jié)果后處理

預(yù)測時，我們使用模型預(yù)測答案片段在篇章的開始位置和結(jié)束位置的概率分布，并尋找同一篇章內(nèi)使得開始位置概率乘以結(jié)束位置概率最大的片段作為預(yù)測結(jié)果。

值得說明的是，數(shù)據(jù)集對每個問題提供多個文檔，這些文檔來源于搜索結(jié)果，并按照搜索結(jié)果順序呈現(xiàn)，也就是說搜索系統(tǒng)認(rèn)為更靠前的文檔與問題更相關(guān)，而這個信息在我們的系統(tǒng)里面并沒有顯式體現(xiàn)。盡管模型在訓(xùn)練的時候增加了輔助任務(wù)預(yù)測答案從哪一個篇章得到，我們發(fā)現(xiàn)，對于訓(xùn)練好的模型，在開發(fā)集中僅使用前3篇文檔進(jìn)行預(yù)測的結(jié)果，比使用全部(最多5篇)文檔進(jìn)行預(yù)測得到的結(jié)果有明顯提高。在實驗部分我們會給出數(shù)據(jù)進(jìn)行具體說明。因此，在最后預(yù)測的時候，對于每個問題，我們僅使用前3篇文檔進(jìn)行預(yù)測，得到結(jié)果。

我們還對提取出來的片段進(jìn)行簡單后處理，包括去除我們在預(yù)處理階段增加的特殊分隔符和“u3000”“ ”等特殊符號，以及對標(biāo)點符號進(jìn)行規(guī)范化處理。最終提交的結(jié)果是經(jīng)過后處理的結(jié)果。

4.5 集成模型

由于實驗結(jié)果表明，使用BiDAF、MatchLSTM和DCA作為匹配層的效果相近，為了使得集成模型來源的各個模型具有多樣性，我們采用了來自不同匹配模型的結(jié)果進(jìn)行集成。我們還使用了不同的dropout比例，不同的聯(lián)合學(xué)習(xí)比率訓(xùn)練不同的模型。表2詳細(xì)介紹了集成結(jié)果來源的各個模型的不同部分具體選項。所有18種不同選擇分別被用于訓(xùn)練，共得到18個模型，這些模型的結(jié)果最后被集成得到最終結(jié)果。

表2 集成結(jié)果來源的模型選擇

5 實驗結(jié)果

5.1 不同匹配模型的選擇

在模型結(jié)構(gòu)的匹配層部分，我們介紹了BiDAF、MatchLSTM和DCA三種不同的選擇。我們在開發(fā)集上比較了選用不同匹配方法的模型結(jié)果。表3展示了不同匹配層在搜索和知道上的結(jié)果。由于不同模型結(jié)果非常接近，為了減少誤差，對于每種情況，我們使用兩個不同的隨機種子訓(xùn)練模型，最終匯報的結(jié)果是兩個模型結(jié)果的平均值。

表3 不同匹配層模型的表現(xiàn)

可以看出，使用不同的匹配層得到的結(jié)果非常接近。MatchLSTM得到的結(jié)果最好，但是和BiDAF和DCA得到的結(jié)果非常接近。因此，在之后的單模型實驗中，我們選擇使用速度較快的BiDAF匹配層。而在集成模型的時候，為了使來源的各個模型具有多樣性，我們使用了BiDAF，MatchLSTM和DCA匹配層得到的不同模型。

5.2 模型其他各部分的貢獻(xiàn)

我們從基線系統(tǒng)開始，逐步增加各個部分，驗證每個部分對于效果帶來的影響。表4總結(jié)了這部分的實驗結(jié)果，其中數(shù)據(jù)是模型在開發(fā)集上沒有經(jīng)過后處理的直接預(yù)測結(jié)果的表現(xiàn)。值得說明的是，比賽提供的結(jié)果評估腳本里計算BLEU4指標(biāo)的方式造成了每個問題權(quán)重不等，答案長的問題實際權(quán)重更高，這是不合理的，而計算ROUGE-L的時候每個問題的權(quán)重是相同的，且最終比賽結(jié)果也選擇了ROUGE-L作為主要的評價指標(biāo)，所以我們匯報實驗結(jié)果的時候主要關(guān)注ROUGE-L的結(jié)果。

表4 模型各部分的影響

從實驗結(jié)果可以看出，每項改變都使系統(tǒng)性能得到提升。其中，我們提出的啟發(fā)式篇章預(yù)處理的方法非常有效，使用這種方法相對于基線系統(tǒng)的預(yù)處理方法有大幅提高，在搜索部分提升了11.30，在知道部分也提升了4.62。使用預(yù)訓(xùn)練詞向量使得搜索和知道部分的結(jié)果分別進(jìn)一步提升了4.51和4.50。進(jìn)一步增加其他特征(詞性標(biāo)注、問題類型、wiq)會在搜索和知道上分別帶來0.17和0.65的額外提升。與僅利用一個答案相比，在損失函數(shù)中考慮多個答案使ROUGE-L指標(biāo)在搜索和知道上分別進(jìn)一步上升了1.60和1.30。值得說明的是，加上輔助任務(wù)進(jìn)行聯(lián)合訓(xùn)練后，雖然ROUGE-L值沒有大幅提高，但是模型訓(xùn)練的穩(wěn)定性得到了增強。

最終，基于上面的模型，再使用最小風(fēng)險訓(xùn)練，我們的模型在開發(fā)集上搜索和知道的ROUGE-L值分別達(dá)到49.61和58.11，相比基線系統(tǒng)分別提高18.84和12.21。這是我們的單系統(tǒng)模型在開發(fā)集上沒有使用后處理的結(jié)果。

5.3 僅用前三篇文檔進(jìn)行預(yù)測的的結(jié)果

如4.4節(jié)所述，我們在實驗中發(fā)現(xiàn)，對于同一個訓(xùn)練好的模型，在開發(fā)集中僅使用前3篇文檔得到的篇章進(jìn)行預(yù)測的結(jié)果，比使用全部文檔進(jìn)行預(yù)測得到的結(jié)果有明顯提高，表5給出了對比的實驗結(jié)果。

表5 僅使用前三篇進(jìn)行預(yù)測的結(jié)果

5.4 判斷模型的影響

表6比較了使用3.8節(jié)描述的判斷模型給判斷類問題抽取出來的答案加上判斷結(jié)果后，對于在線測試集上ROUGE-L和BLEU4帶來的變化?？梢钥闯觯由吓袛嘟Y(jié)果后，ROUGE-L和BLEU4分別提高了0.26和0.23。

表6 判斷模型的影響

5.5 在線測試集的結(jié)果

表7顯示了我們的單模型和集成模型對在線測試集的實驗結(jié)果。集成模型的具體設(shè)置見實驗細(xì)節(jié)中的集成模型部分。可以看出，相比于單一模型，集成模型在ROUGE-L和BLEU-4上分別有1.58和2.28的提高。

表7 在線測試集結(jié)果

5.6 最終結(jié)果

圖1顯示了比賽公布的最終結(jié)果，我們的系統(tǒng)在ROUGE-L和BLEU-4上分別取得了63.38和59.23的結(jié)果，排名第一，分別領(lǐng)先第2名2.39和3.30。

圖1 最終比賽結(jié)果

6 樣例分析

圖2給出了一些開發(fā)集中我們系統(tǒng)預(yù)測答案沒有完全和參考答案相符的例子。其中，對于問題1，我們的預(yù)測答案包含了額外的非答案信息。問題2的預(yù)測答案只包括了參考答案的一部分，沒有完整包含應(yīng)有的信息。問題3對應(yīng)了另外的情況，我們的預(yù)測答案是文檔里完整包含了答案信息的片段，但是標(biāo)注者重新整理了這個片段并編寫得到了更簡潔和合適的參考答案。問題4則對應(yīng)了最差的情況，我們系統(tǒng)預(yù)測的結(jié)果完全不是回答給定問題的答案。從這些例子可以看出，我們的系統(tǒng)盡管整體上取得了不錯的結(jié)果，但在一些情況下仍然存在預(yù)測的答案不夠準(zhǔn)確(缺少必要部分，包含不必要的部分)，甚至完全錯誤的情況。一種可能的解決方法是考慮引入答案驗證模塊，提高答案的準(zhǔn)確性。

圖2 樣例分析

7 結(jié)論

2018機器閱讀理解技術(shù)競賽的數(shù)據(jù)集是基于真實場景的大規(guī)模數(shù)據(jù)集，包含不同類型的問題和不同來源的文檔，非常具有挑戰(zhàn)性。針對數(shù)據(jù)集的特點，我們從數(shù)據(jù)預(yù)處理、特征表示、模型選擇、損失函數(shù)的定置和訓(xùn)練方法的選擇等多個方面入手構(gòu)造系統(tǒng)，在正式測試集中ROUGE-L和BLEU-4上分別取得了63.38和59.23的分?jǐn)?shù)，在最終提交結(jié)果的105支參賽隊伍里取得了第一名的成績。