AAAI 2020 | 上交大&云从科技提出DCMN+ 模型，破解「阅读理解」难题，获全球领先成绩

作者 | 云从科技

编辑 | Camel

本文是对上海交通大学和云从科技共同完成，被 AAAI2020 录用的论文《DCMN+: Dual Co-Matching Network for Multi-choice Reading Comprehension》进行解读。

论文链接：https://arxiv.org/abs/1908.11511

在那些寒窗苦读的学生时代，你一定碰见过阅读理解，它需要融会贯通进行主观陈述和作答，是让无数考生头疼的题目。继智能系统在围棋、国际象棋、游戏等领域超越人类后，“阅读理解”也成为了机器的“苦恼”。

对此，云从科技和上海交大针对RACE多项选择题提出增强的DCMN+模型。

DCMN+是年初我们提出的DCMN增强模型，针对多项选择型机器阅读理解，以大规模预训练模型（如BERT等）作为前端编码器，在多个多项选择型机器阅读理解任务（如卡耐基梅隆大学的RACE）上取得了最先进的水平，另外DCMN也适用于其他简单分类任务。

与其他技术相比，其显著特征是双向匹配策略，其他现有模型的匹配策略都是单向的，比如在文章-问题（P-Q）建模时，现有技术只有问题（Q）在文章（P）上的映射匹配，没有文章（P）在问题（Q）上的映射匹配，而DCMN则集成了两个方向的匹配信息。此外，还集成了文章中句子筛选-从文章（P）中筛选出与问题相关的句子用于推理，答案选项交互-引入选项之间比较信息两种阅读策略，进一步提升了模型的性能。

任务描述

本文主要聚焦多项选择型机器阅读理解，它的形式类似于英语考试中的阅读理解（选择题），给定一篇文章，通过阅读并理解文章（Passage），针对提出的问题（Question）从选项中选择正确的答案（Answers）。其中典型的数据集是卡内基-梅隆大学发起的大型深层阅读理解任务数据集RACE（ReAding Comprehension dataset collectedfrom English Examinations），它来源于中学考试题目的大规模阅读理解数据集，包含了大约28000个文章以及近100000个问题。除了RACE，我们还在SemEval-2018 Task11, ROCStories，MCTest以及COIN Task1 等类似多项选择型数据集上测试了我们的模型。

一个典型的多项选择型机器阅读理解的例子

模型框架

本文提出的DCMN+主要包含三个模块：

1）文章中句子筛选，从文章（Passage）中筛选出与问题相关的句子用于推理；

2）答案选项交互，引入选项之间比较信息；

3）双向匹配策略，充分利用Passage，Question与Answers之间的交互信息，作对称双向匹配。

整体模型框架，三个模块：Sentence Selection, OptionInteraction 和Bidirectional Matching

2.1 编码器

本文直接以预训练完的语言模型作为前端编码器，例如BERT以及XLNet，分别编码Passage，Question及Answers。

2.2 文章句子选择（Passage Sentence Selection）

为从文章中选择出与问题最相关的句子，我们分别计算了文章中每个句子与问题-选项对的相似度，选出最为相关的K（超参数）个句子，输入到模型的以后部分作为推理依据。具体计算句子间相似度的方式有两种：余弦距离与双线性距离。

余弦距离：逐个计算文章中句子与问题-选项对中单词间的距离，取其平均值作为相似度分数：

双线性距离：通过计算文章句子与问题选项对的双线性匹配分数，然后通过线性降维来得到最后的分数：

2.3 答案选项交互（Answer OptionInteraction）

通过引入答案选项之间的比较信息，使得每个答案融入了相对于其他答案的比较信息，从而每个答案选项不在是孤立的，具体计算方式是引入每对选项之间的双线性比较信息，最后使用门控机制与原始的选项信息融合。

2.4 双向匹配策略（BidirectionalMatching）

计算Passage-Question-Answers三元组中所有的两两二元组的双向匹配信息，即P-Q，P-A，Q-A。接下来以Q-A之间的匹配方式作为说明：问题及答案选项分别被编码为以及，则Q-A间的双向匹配表示可以用以下方式计算：

2.5 目标函数

得到文章，问题，答案选项之间双向匹配表示之后，我们把它们串联起来过一层全连接线性层去预测最后的答案，如果是正确的答案选项，Loss可以计算如下：

实验结果

我们在各个多项选择数据集上均取得了最先进的成绩，包括RACE，SemEval-2018 Task11, ROCStories，MCTest以及COIN Task1。

（在RACE上的结果比较，我们取得了最高的成绩）

（在SemEval-2018 Task11, ROCStories，MCTest以及COIN Task1的成绩，我们均取得了最高的成绩）

DCMN+模型在RACE、SemEval-2018 Task11、 ROCStories、MCTest以及COIN Task1不同数据集上均取得了最高成绩。

（在RACE上的结果比较，取得最高成绩）

（在SemEval-2018 Task11, ROCStories，MCTest以及COIN Task1上，也均获得最高成绩）