摘要
多选题机器阅读理解（Multi-choice Machine Reading Comprehension, MRC）要求模型在给定一段文本和一个问题后，从一组候选答案中判断出正确选项。因此，除了依赖强大的预训练语言模型（Pre-trained Language Model, PrLM）作为编码器外，多选题MRC尤其依赖于匹配网络的设计，该网络需有效捕捉文本、问题与答案三者之间的复杂关系。尽管近年来更强大、更先进的PrLM已展现出即使不依赖匹配网络也能取得优异性能的能力，我们仍提出一种新型的双路多头协同注意力（DUal Multi-head Co-Attention, DUMA）模型。该模型受人类在解决多选题MRC问题时“换位思考”认知过程的启发，即从文本和问题的视角分别关注彼此的注意力焦点。实验表明，所提出的DUMA模型具有显著有效性，能够普遍提升各类PrLM的性能。我们在两个基准多选题MRC任务——DREAM和RACE上对方法进行了评估，结果表明，即使在使用高性能PrLM的前提下，DUMA仍能进一步推动模型达到新的最先进（state-of-the-art）水平。