R³ : Lecteur-Rankeur Renforcé pour la Réponse à des Questions en Domaine Ouvert

Au cours des dernières années, les chercheurs ont obtenu un succès considérable en appliquant des méthodes de réseau de neurones à la réponse à des questions (QA). Ces approches ont atteint des résultats à la pointe de la technologie dans des environnements fermés simplifiés tels que le jeu de données SQuAD (Rajpurkar et al., 2016), qui fournit un passage pré-sélectionné, à partir duquel la réponse à une question donnée peut être extraite. Plus récemment, les chercheurs ont commencé à s'attaquer à la QA en domaine ouvert, dans laquelle le modèle reçoit une question et l'accès à un vaste corpus (par exemple, wikipedia) au lieu d'un passage pré-sélectionné (Chen et al., 2017a). Ce cadre est plus complexe car il nécessite une recherche à grande échelle de passages pertinents par un composant de récupération d'information, combiné avec un modèle de compréhension de lecture qui "lit" les passages pour générer une réponse à la question. La performance dans ce cadre est considérablement inférieure à celle des performances en domaine fermé. Dans cet article, nous présentons un nouveau système de QA en domaine ouvert appelé Lecteur-Rankeur Renforcé (R³), basé sur deux innovations algorithmiques. Tout d'abord, nous proposons un nouveau pipeline pour la QA en domaine ouvert avec un composant Rankeur, qui apprend à classer les passages récupérés en termes de probabilité de générer la réponse vraie à une question donnée. Deuxièmement, nous proposons une nouvelle méthode qui entraîne conjointement le Rankeur et un modèle de génération de réponses basé sur l'apprentissage par renforcement. Nous rapportons des résultats expérimentaux étendus montrant que notre méthode améliore significativement l'état de l'art pour plusieurs ensembles de données de QA en domaine ouvert.