Reasoning over Hierarchical Question Decomposition Tree for Explainable Question Answering

本文链接：https://blog.youkuaiyun.com/weixin_43537190/article/details/136918095

AI新突破：清华团队提出创新解释性问答框架，性能大幅提升

引言：解释性问答的挑战与创新

在人工智能领域，解释性问答（Explainable Question Answering，简称XQA）任务旨在不仅提供问题的答案，还要给出解释，让用户理解为何选择了该答案。这一任务对于检验智能系统的推理能力和可解释性至关重要。然而，现有的XQA方法大多集中于单一知识源的推理，例如结构化知识库或非结构化文本等。面对复杂问题，如何整合来自异构知识源的信息成为了一个挑战。

本文提出了一种创新的两阶段XQA框架——基于层次化问题分解树（Hierarchical Question Decomposition Tree，HQDT）的推理（Reasoning over Hierarchical Question Decomposition Tree，RoHT）。首先，通过构建HQDT来理解复杂问题的语义；然后，从根到叶递归地进行概率推理，整合不同树层级的异构知识，并考虑分解和回答的概率，以寻找最佳解决方案。通过在复杂QA数据集KQA Pro和Musique上的实验，证明了利用问题分解进行知识整合的有效性，以及我们的RoHT框架的优越性。

1. 解释性问答的挑战

传统的XQA方法面临两个主要限制。一是基于神经符号方法的形式表示只能在知识库上执行，但即使是最大的知识库也存在不完整性，限制了模型的召回率。二是基于分解的方法使用自由文本语料库作为知识源，但自然语言的多样性使得XQA变得困难。实际上，对于回答复杂问题，整合来自异构知识源的信息至关重要。

2. 创新的RoHT框架

为了应对这些挑战，我们提出了RoHT框架。通过构建HQDT来分解复杂问题，并在此基础上进行概率推理，从而整合来自知识库和文本的知识。RoHT框架的评估结果表明，它在整合知识库和文本的设置下显著提高了性能，相比现有的最先进方法，在KQA Pro和Musique数据集上分别提高了29.7%和45.8%的EM分数。