Key points are not available for this paper at this time.
Multi-Hop-Leseverständnis (RC) erfordert Schlussfolgerungen und Aggregation über mehrere Absätze hinweg. Wir schlagen ein System für Multi-Hop-RC vor, das eine zusammengesetzte Frage in einfachere Unterfragen zerlegt, die von handelsüblichen Single-Hop-RC-Modellen beantwortet werden können. Da die Annotationen für eine solche Zerlegung teuer sind, stellen wir die Generierung von Unterfragen als ein Spannvorhersageproblem dar und zeigen, dass unsere Methode, die nur mit 400 gekennzeichneten Beispielen trainiert wurde, Unterfragen erzeugt, die genauso effektiv sind wie von Menschen verfasste Unterfragen. Wir führen auch einen neuen globalen Nachbewertungsansatz ein, der jede Zerlegung (d.h. die Unterfragen und deren Antworten) berücksichtigt, um die beste endgültige Antwort auszuwählen, was die Gesamtleistung erheblich verbessert. Unsere Experimente mit HOTPOTQA zeigen, dass dieser Ansatz die bestmöglichen Ergebnisse erzielt und gleichzeitig nachvollziehbare Beweise für seine Entscheidungsfindung in Form von Unterfragen bietet.
Min et al. (Di,) untersuchten diese Frage.