Großmaßstäbliche einfache Fragebeantwortung mit Memory Networks

Das Training von groß angelegten Fragebeantwortungssystemen ist komplex, da die Trainingsquellen in der Regel nur einen kleinen Teil des möglichen Fragenbereichs abdecken. Diese Arbeit untersucht den Einfluss von Multitask- und Transferlearning auf das einfache Beantworten von Fragen; eine Situation, bei der die erforderliche Schlussfolgerung ziemlich einfach ist, vorausgesetzt man kann bei einer Frage die korrekten Beweise finden, was unter großen Bedingungen schwierig sein kann. Zu diesem Zweck stellen wir einen neuen Datensatz mit 100.000 Fragen vor, den wir in Verbindung mit bestehenden Benchmarks verwenden. Wir führen unsere Studie im Rahmen von Memory Networks (Weston et al., 2015) durch, da dieser Ansatz es uns ermöglicht, letztendlich zu komplexeren Schlussfolgerungen zu skalieren, und zeigen, dass Memory Networks erfolgreich trainiert werden können, um ausgezeichnete Leistungen zu erzielen.