【论文阅读】Multi-hop Question Generation with Graph Convolutional Network

Multi-hop Question Generation with Graph Convolutional Network

论文:https://arxiv.org/abs/2010.09240

代码:https://github.com/HLTCHKUST/MulQG

任务

多跳问题生成(Multi-hop Question Generation,QG)的目的是通过对不同段落中多个分散的证据进行汇总和推理，生成与答案相关的问题。解决两个问题：1.如何有效地识别分散的证据，可以连接答案和问题的推理路径。2.如何推理多个分散的证据来产生事实连贯的问题。

识别分散的证据，可以连接答案和问题的推理路径：

方法（模型）

为了解决多跳QG**(MulQG)**中的额外挑战，本文提出了问题生成的多跳编码融合网络(Multi-Hop Encoding Fusion Network)，它通过Graph Convolutional Network在多跳中进行上下文编码，并通过编码器推理门(Encoder Reasoning Gate)进行编码融合。

MulQG将Seq2Seq QG框架从单跳扩展到多跳进行上下文编码。利用图卷积网络（GCN）对答案感知的动态实体图（由答案和输入段落中的实体构建），以聚合与问题相关的潜在证据。在多跳生成过程中，使用不同的注意力机制来模仿人类的推理过程。

模型结构：

Multi-hop Encoder

包含3个模块：

(1) Answer-aware context encoder

(2) GCN-based entity-aware answer encoder

(3) Gated encoder reasoning layer.

上下文和答案分割为word-level token，表示为：

c = { c 1 , c 2 , . . . , c n } c =\{c_1, c_2, ..., c_n\} c={ c1​,c