Abfrage-Reduktion Netze für Fragebeantwortung

In dieser Arbeit untersuchen wir das Problem der Fragebeantwortung, wenn die Verarbeitung mehrerer Fakten erforderlich ist. Wir schlagen das Query-Reduction Network (QRN) vor, eine Variante des Rekurrenten Neuronalen Netzes (RNN), die sowohl kurzfristige (lokale) als auch langfristige (globale) sequentielle Abhängigkeiten effektiv behandelt, um über mehrere Fakten zu schlussfolgern. Das QRN betrachtet die Kontextsätze als eine Sequenz von Zustandsänderungs-Auslösern und reduziert die ursprüngliche Anfrage auf eine besser informierte Anfrage, während es jeden Auslöser (Kontextsatz) im Laufe der Zeit beobachtet. Unsere Experimente zeigen, dass das QRN den Stand der Technik in den bAbI QA- und Dialogaufgaben sowie in einem echten zielorientierten Dialogdatensatz erzielt. Zudem ermöglicht die Formulierung des QRNs die Parallelisierung auf der Zeitachse des RNNs, was die Komplexität für Training und Inferenz um einen Faktor von zehn reduziert.