基于时间卷积网络的多项选择机器阅读理解

摘要

机器阅读理解是自然语言处理领域中一项具有挑战性的任务,其旨在回答与文章相关的问题,且需要复杂的语义推理.针对现有机器阅读理解方法提取特征时存在一定程度的信息丢失,且无法捕获全局的语义关系等问题,在时间卷积网络(TCN)的基础上,构建一种多项选择机器阅读理解M-TCN模型.采用注意力机制对文章、问题和候选答案进行匹配,并建立三者之间的内在联系.同时,为提取高层特征以减少信息丢失,利用TCN对匹配表示进行聚合.通过在公开阅读理解RCAE数据集上验证模型的性能,实验结果表明,与现有机器阅读理解模型ElimiNet、MRU、HCM等相比,该模型对正确答案的预测精度达到了52.5％,且综合性能更优.