7、基于抽象意义表示的机器阅读理解技术

基于抽象意义表示的机器阅读理解技术

1. 引言

在自然语言处理领域，机器阅读理解（MRC）是一个重要的研究方向。传统的深度学习（DL）方法在MRC任务中取得了显著进展，但也存在一些局限性。本文将介绍一种基于抽象意义表示（AMR）的MRC技术，该技术可以系统地改进基于DL的端到端方法。

2. 纠正DL答案

2.1 答案替换与泛化

首先，将问题中的Wh表达式用识别出的答案进行替换。例如，问题 “What happened with Beyonce after 1990?” 替换后为 “Their hiatus saw the release of Beyonce’s debut album, Dangerously in Love” < + “with Beyonce after 1990” + >。然后，将替换后的问题与上下文中的每个句子进行泛化。如果泛化结果中不保留问题中的关键部分，如 “after 1990”，则表明该答案是错误的。

2.2 正确答案的识别

当AMRG检测到答案错误时，会搜索具有最大泛化（子图节点数量最多）的句子或短语。具体步骤如下：
1. 形成句法模板：将问题转换为陈述模板，例如 “What time is it?” 转换为 {Time - NN is - VBZ * - CD, Time - NN is - VBZ * - NER = date_time}。
2. 泛化模板：将模板与每个句子和动词短语进行泛化，找到具有最大子图的那个。例如，对于模板 [* - VP Beyonce - “NE = PERSON” after - IN 1990s - {NN