Auswählen, Antworten und Erklären: Interpretable Multi-Hop Leseverständnis über mehrere Dokumente

Interpretable Multi-Hop Leseverständnis (RC) über mehrere Dokumente ist ein herausforderndes Problem, da es das Denken über mehrere Informationsquellen erfordert und die Antwortvorhersage durch Bereitstellung unterstützender Beweise erklärt werden muss. In diesem Papier schlagen wir ein effektives und interpretierbares Select, Answer and Explain (SAE) System vor, um das Multi-Dokumenten-RC-Problem zu lösen. Unser System filtert zunächst antwortunabhängige Dokumente heraus und reduziert somit die Menge an ablenkenden Informationen. Dies wird durch einen Dokumentenklassifizierer erreicht, der mit einem neuartigen paarweisen Learning-to-Rank-Verlust trainiert wurde. Die ausgewählten antwortbezogenen Dokumente werden dann einem Modell zugeführt, das gemeinsam die Antwort und unterstützende Sätze vorhersagt. Das Modell wird mit einem Multi-Task-Lernziel sowohl auf Token-Ebene für die Antwortvorhersage als auch auf Satz-Ebene für die Vorhersage unterstützender Sätze optimiert, zusammen mit einer auf Aufmerksamkeit basierenden Interaktion zwischen diesen beiden Aufgaben. Bewertet auf HotpotQA, einem herausfordernden Multi-Hop-RC-Datensatz, erreicht das vorgeschlagene SAE-System im Ablenkungsszenario eine wettbewerbsfähige Spitzenleistung im Vergleich zu anderen bestehenden Systemen auf der Rangliste.