国防科大登顶SQuAD 2.0排行榜，机器阅读也要“不知为不知”

圆栗子 发自 凹非寺 量子位 出品 | 公众号 QbitAI

最近，国防科大 (NUDT) 登顶SQuAD 2.0排行榜。

击败了微软强敌FusionNet++，机器的阅读理解能力又进化了。

SQuAD 2.0是个阅读理解数据集，机器需要根据文本中的信息，回答问题。

强调一下，所有的答案都要来自文本。

SQuAD 2.0的特殊之处在于，有些问题，文本里并没有答案。

那么，机器回答这些问题的时候，要明确表示“No Answer”。

国防科大和微软亚洲研究院，提出的阅读-验证算法，便是为检测无法回答的问题而生的。

备选答案，需要验证

要找出“不该乱填答案”的问题，常用的方法，就是预测No Answer的概率。

可这样的做法，可能就不会去检测，系统给出的其他备选答案，有多可信了。

于是，国防科大和微软组成的Minghao Hu团队，给算法加入了验证候选答案的步骤，在SQuAD 2.0中获得了74.2 F1的最高分。

这里，阅读器与验证器，都不可缺少。

比如，阅读理解的文章提到，诺曼底是法国的一个地区。

但问题问的是，法国是 ( ) 的一个地区，文中没有提到。

这对人类来说，难度不大，诺曼底可能连干扰项也算不上。但算法会怎么看？

首先，阅读器从文中找出备选答案 ，同时也算出无答案概率 (NA Prob) 。 然后，把备选答案扔给验证器 (Answer Verifier) ，看文中相关句子的表达，能不能回答问题。 最后，把验证器的无答案概率，和第一步的无答案概率，结合到一起，才能决定要不要输出No Answer。

验证答案，并不简单

不过，验证诺曼底是不是问题的答案，需要经过一番推理。

△ If A then B.

还是刚才的栗子，“诺曼底是法国的一个地区”用A表示，“法国是诺曼底的一个地区”用B表示。

如果，A能推出B，答案就是诺曼底。A不能推出B，诺曼底就被淘汰。

把这个验证过程，交给神经网络，团队试了三种不同的模型：

Model-I，是最简单的顺序结构。

Model-II，是交互式结构。由于要识别答案和问题之间的逻辑蕴含，团队使用了基于交互的一种方法，包含这几层：

· 编码 (Encoding) · 推理建模 (Inference Modelling)：建立两个句子之间的交互。 · 句内建模 (Intra-Sentence Modelling) ：找出句子内部的逻辑。 · 预测 (Prediction) ：给出阶段性的无答案概率。

Model-III，则是把前两个模型整合起来，看预测结果会不会更理想。

其中，Model I用了无监督的预训练，和有监督的微调。也就是说，阅读无标签的文本，来优化模型，初始化参数；然后按照有监督的目标，来调整参数。

Model II是直接用有监督的损失来训练的。

由于两个模型架构不同，需要的训练过程也不同。因此，Model III是用二者的预训练参数来初始化的，然后整体微调。

疗效出众

训练完成，就把AI扔进SQuAD 2.0的隐藏验证集 (下图Test栏) ，试一试。

离人类最近

测试用的阅读器，叫做Reinforced Mnemonic Reader (RMR) ，同样来自Minghao Hu团队，且在SQuAD 1.1榜上有名。

△ 在下愚钝，不确定Verifier用的是Model I、II、III中的哪一个

加上新的验证器，RMR (+ELMo嵌入) 的阅读理解成绩，高过了所有的前辈 (对手都是SQuAD 2.0论文中列出的强者) 。

它的两项分数，都与人类的表现最为接近：

71.7 EM，是精确匹配结果，表示模型给出的答案与标答完全一致。

74.2 F1，是模糊匹配，可理解为部分回答正确，根据模型的答案与标答之间的重合度计算。

登顶SQuAD 2.0排行榜的，就是这组成绩。

三个验证器比一比

击退外敌，再来看一下三个验证器模型，谁的无答案正确率最高。

Model-III，以微弱的优势胜出。由此观之，把Model I、II整合起来，还是有效的。

不过，加上ELMo嵌入，倒是没有带来明显的加成。

欣赏论文吧

“阅读+验证”模型，离人类的阅读理解分数，还有一段距离。

不过，更准确地判断哪些题目不能乱答，也是很大的一步了。

论文传送门： https://arxiv.org/pdf/1808.05759.pdf