Exploration der graphbasierten Passage-Darstellung für mehrstufige Leseverständnis mit Graph-Neuralen Netzen

Die mehrstufige Leseverständnisforschung konzentriert sich auf eine bestimmte Art von Faktenfragen, bei denen ein System mehrere Beweise angemessen integrieren muss, um eine Frage korrekt zu beantworten. Frühere Arbeiten approximieren globale Beweise durch lokale Koreferenzinformationen, indem sie Koreferenzketten mit DAG-artigen GRU-Schichten in einem gatebasierten Aufmerksamkeitsleser kodieren. Koreferenz ist jedoch begrenzt in ihrer Fähigkeit, Informationen für umfangreiche Inferenz bereitzustellen. Wir stellen eine neue Methode vor, die es ermöglicht, globale Beweise besser miteinander zu verbinden und dadurch komplexere Graphen als DAGs zu bilden. Um die Beweisintegration in unseren Graphen durchzuführen, untersuchen wir zwei neuere Graph-Neuronale Netze, nämlich das Graph-Konvolutionsnetz (GCN) und das Graph-Rekurrentnetz (GRN). Experimente mit zwei Standarddatensätzen zeigen, dass reichhaltigere globale Informationen zu besseren Antworten führen. Unsere Methode erzielt bessere Ergebnisse als alle bisher veröffentlichten Resultate auf diesen Datensätzen.