用于机器阅读理解的随机答案网络

我们提出了一种简单而稳健的随机答案网络（Stochastic Answer Network, SAN），该网络能够在机器阅读理解中模拟多步推理过程。与之前的工作如ReasoNet使用强化学习来确定推理步骤数量不同，SAN的独特之处在于在神经网络的答模块（即最终层）训练过程中引入了一种随机预测丢弃机制（stochastic prediction dropout）。实验结果表明，这一简单的技巧不仅提高了模型的鲁棒性，还在斯坦福问答数据集（Stanford Question Answering Dataset, SQuAD）、对抗性SQuAD以及微软机器阅读理解数据集（Microsoft MAchine Reading COmprehension Dataset, MS MARCO）上取得了与当前最先进方法相当的性能。