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

妖狐艹你老母 2022-10-19 12:52 35阅读 0赞

# Multi-hop Question Generation with Graph Convolutional Network #

> [论文:https://arxiv.org/abs/2010.09240][https_arxiv.org_abs_2010.09240]
> 
> [代码:https://github.com/HLTCHKUST/MulQG][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：

![image-20210401093128346][]

## 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：

![image-20210401101356256][]

### 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,c2,...,cn\}

a = \{ a 1 , a 2 , . . . , a m \} a = \\\{a\_1, a\_2, ..., a\_m\\\} a=\{ a1,a2,...,am\}

单次使用预训练的GloVe embedding表示，对于上下文中的单词，加入答案标记嵌入。上下文和答案嵌入分别输入两个双向LSTM-RNN，获得其初始上下文表示。

C 0 ∈ R d × n C\_0∈ R^\{d×n\} C0∈Rd×n

A 0 ∈ R d × m A\_0 ∈ R^\{d×m\} A0∈Rd×m

d是LSTM隐藏层维度。

*  GCN-based Entity-aware Answer Encoder

![image-20210401104651769][]

为了获得多跳答案表示，首先从答案感知上下文编码 C 1 C\_1 C1计算实体编码，然后我们将GCN应用于在答案感知的子图上传播多跳信息。 最后，通过双向注意力机制获得编码 A 1 A\_1 A1的更新答案。

Entity Graph Construction：

使用BERT-based命名实体识别构建节点。

处于同一句子或出现在相同段落的节点添加边。

*  Encoder Reasoning Gate

在之前上下文context encoder hops的答案感知上下文表示 C 1 C\_1 C1和 C 2 C\_2 C2上应用门控特征融合模块，保留和遗忘信息，形成最终的上下文表示。

*  Maxout Pointer Decoder

decoder:Uni-directional LSTM model（单向）

为了减少迭代的重复。

*  Breadth-First Search Loss

cross-entropy loss:Breadth-First Search (BFS) Loss

## 数据集 ##

HotpotQA

## 性能水平 ##

![image-20210401131731134][]

本文提出的MulQG模型效果远好于基线模型，表明多跳过程可以显着提高编码表示的质量，从而提高了多跳问题生成性能。

BFS loss也可以通过鼓励学习答案感知的动态实体图更好地提高系统性能。

## 结论 ##

### 消融实验 ###

![image-20210401133530810][]

基于GCN的实体感知答案编码器模块和门控上下文推理模块都对模型很重要（GCN-based entity-aware answer encoder module and Gated Context Reasoning module）。

模型效果：

![image-20210401133518720][]

从评估来看，本文提出的模型能够生成高完整性的流畅问题，并且在多跳评估中比最强的基线高出20.8%，人工评价结果进一步验证了我们提出的模型更容易生成多跳问题，并且在流畅性、可回答性和完整性得分方面具有较高的质量。

[https_arxiv.org_abs_2010.09240]: https://arxiv.org/abs/2010.09240
[https_github.com_HLTCHKUST_MulQG]: https://github.com/HLTCHKUST/MulQG
[image-20210401093128346]: /images/20221005/4f364d0f2c0e40c38db683fd2281a973.png
[image-20210401101356256]: /images/20221005/fd13039cce2f4daaa7c4fcdaab0b27cc.png
[image-20210401104651769]: /images/20221005/b45d0bc789174a24a3c9832781004f6a.png
[image-20210401131731134]: /images/20221005/13df42cd1f5e4f76898e02d2f8243cd4.png
[image-20210401133530810]: /images/20221005/40ce7a9143dd47eab9ae8ffcf02311c7.png
[image-20210401133518720]: /images/20221005/dbb3f256f2174b8694cf896b97c956ab.png