UTMCQA:融合多任务的复杂问答模型

摘要

对复杂问题的处理一直是开放域问答(Open Domain Question Answering,ODQA)的一个难点,回答复杂问题需要分析问题及其相关的词法、句法和语义内容,该过程需要同时建模命名实体识别、句法分析、关系抽取等多项自然语言处理任务,因此如何有效地学习这些任务是一个重要技术挑战.本文提出了一种统一的可训练型多任务复杂问答框架UTMCQA(Uniform Trainable Multi-tasks framework for Complex Question Answering),该框架融合了复杂问答涉及的上述主要任务,同时利用预训练语言模型(BERT)提供语义支撑,以语义相似作为启发信息从知识库和文本库中获取相关实体,采用图神经网络建模问题与事实之间的关系,并通过队列算法动态扩展问题子图,最后在子图的广度范围内,选择实体集合中的最优实体作为问题的最终答案.在公开的大规模复杂问题数据集ComplexWebQuestion上的实验表明,在不同场景设置下的UTMCQA均能有效提升问答系统的性能.