从文本中回答需要不同推理步骤的开放域问题

我们提出了一种统一的系统，能够直接从文本中回答开放域问题，且这些问题可能需要不同数量的检索步骤。该系统采用单一的多任务Transformer模型，以迭代方式完成所有必要子任务——包括检索支持性事实、对检索结果进行重排序，并基于所有检索到的文档预测答案。与以往研究中依赖于难以迁移到现实场景的假设不同（例如，假设每个问题所需的检索步骤数量是固定的，或依赖于知识库、网页链接等结构化元数据，而这些信息在实际中往往难以获取），我们设计的系统无需事先了解推理复杂度，即可在任意文本集合上回答开放域问题。为模拟这一设定，我们构建了一个新的基准测试集——BeerQA，该数据集通过整合现有的单步和双步数据集，并新增了530个需要三篇维基百科文章才能回答的问题，同时统一了维基百科语料库的不同版本。实验结果表明，我们的模型在现有基准和该新基准上均表现出具有竞争力的性能。新基准数据集已公开，可通过 https://beerqa.github.io/ 获取。