第十三课.问答系统_常用问答类模型的优缺点

问答系统

问答系统通常要求给定一段文字context，给定一个问题question，从context中寻找一段连续的文字text span作为问题的答案。对于问答系统的实验，有一个来自斯坦福的数据集比较受欢迎，名为The Stanford Question Answering Dataset，即SQuAD：SQuAD官方链接

SQuAD现在已经发展到2.0版本；

在最初的版本中，比如有以下简单的问答组合：

较早并有一定效果解决问答系统的模型是2017年在ICLR上的BiDAF（Bidirectional Attention Flow），模型没有大规模的预训练就在SQuAD上获得70%的 F1-score；

模型的架构如下：

模型计算大致过程如下：

• 首先将context与question分词得到列表$[x]$和$[q]$，Character Embed Layer 使用卷积提取文本特征，并行地，Word Embed Layer 通过词向量将分词转换表达，然后拼接两者输出的特征作为新的词向量；
• 词向量输入Contextual Embed Layer ，实际是一个双向LSTM层，Context对应的LSTM输出张量为$h$，Question对应的LSTM输出张量为$u$；
• 像Seq2Seq中的处理，将$h$与$u$输入Attention层，模型的Attention有两个，一个是每个问题分词对应所有文本分词的Attention，另一个是每个文本分词对应所有问题分词的Attention；
• Modeling Layer 将Attention的输出进行拼接，输入到双层双向LSTM中进一步提取特征信息，获得$ContextLen$个词向量，对每个词向量进行全连接网络分类，判断哪个词最有可能是答案text span的开始（start）；预测到start后，将start对应的词向量结合Context的词向量，使用LSTM与全连接网络进行分类，预测答案的结束（end），由此可获得答案。

文本摘要系统

文本摘要，其目的是给定一段长的原文，生成一段较短的摘要，比如有原文：

生成摘要：

以上摘要是由模型Summarization with Pointer-Generator Networks生成的，文本摘要的常用解决方法分两种，一种是抽取式：

• 在原文中抽取一些句子，组合成摘要；

另一种是生成式：

• 直接在原文上使用Seq2Seq模型生成摘要；生成式能够获得原文深层的信息，更符合人类的思考过程；

Summarization with Pointer-Generator Networks结合了抽取与生成的方法，让模型在原文上获得更好的摘要；模型架构如下：

网络和普通的Seq2Seq结合Attention结构一致，额外增加了一个分支用于从输入文本中抽取分词，普通的Seq2Seq结合Attention直接从词汇表中选择分词（即生成式），Summarization with Pointer-Generator Networks则会设置从词汇表中抽取分词的概率为$P_{gen}$，从输入文本中抽取分词的概率为$(1-P_{gen})$，通过这一设计达到了抽取与生成混合的效果；

在计算损失时，纳入了新成分，该成分主要是沿着当前摘要分词积累source text中各分词的重要程度，即确保摘要不会过度关注source text的某些分词（注意力过度放在某些分词上会导致摘要不能概括全文，只得到一部分见解）；

大规模预训练语言模型 ELMo

ELMo实际上是从一个预训练的两层双向LSTM语言模型得来：

模型的训练即语言模型的训练，根据句子的前部分词，预测下一个词；

经过预训练后，对于输入数据的各个分词，计算其在双层双向LSTM中的输出（intermediate word vectors），以及原始的one-hot编码raw word vectors，将每个分词对应的这些向量进行加权求和，所有词加权后的向量即组成词向量ELMo；

可见，ELMo的基本输入单元为句子，每个词没有固定的词向量，是根据词的上下文环境来动态产生当前词的词向量，可以较好解决一词多义的问题，这与word2vec以及glove等通用词向量模型是不同的；

众多实验表明，模型在使用ELMo词向量后，在各种数据集上均获得了良好的效果提升；ELMo的效果比word2vec，glove好得多