Red Neuronal Atenta Conocimiento-consciente para Clasificar Pares de Preguntas y Respuestas

La clasificación de pares de preguntas y respuestas ha atraído una atención creciente recientemente debido a sus amplias aplicaciones, como la recuperación de información y la respuesta a preguntas (QA). Se han realizado avances significativos mediante redes neuronales profundas. Sin embargo, la información contextual y las relaciones ocultas más allá del contexto, que juegan roles cruciales en la comprensión del texto humano, han recibido poca atención en las recientes redes neuronales profundas que logran el estado del arte en la clasificación de pares de QA. En el artículo, proponemos KABLSTM, un Memoria a Largo y Corto Plazo Bidireccional Atenta Conocimiento-consciente, que aprovecha el conocimiento externo de grafos de conocimiento (KG) para enriquecer el aprendizaje representacional de las oraciones de QA. Específicamente, desarrollamos una arquitectura de aprendizaje interactivo contexto-conocimiento, en la que se diseña una red neuronal convolucional atenta guiada por el contexto (CNN) para integrar incrustaciones de conocimiento en las representaciones de oraciones. Además, se presenta un mecanismo de atención conocimiento-consciente para atender las interrelaciones entre cada segmento de los pares de QA. KABLSTM se evalúa en dos conjuntos de datos de referencia de QA ampliamente utilizados: WikiQA y TREC QA. Los resultados de los experimentos demuestran que KABLSTM tiene una superioridad robusta sobre los competidores y establece un estado del arte.