Zum Kern der Sache: Ein Context-Zoom-in-Netzwerk für das Leseverständnis

In den letzten Jahren wurden zahlreiche tiefe neuronale Netzwerke vorgeschlagen, um Aufgaben der Leseverständnis (Reading Comprehension, RC) zu lösen. Die meisten dieser Modelle leiden unter der Fähigkeit, über lange Dokumente hinweg zu schließen, und verallgemeinern sich nicht trivial auf Fälle, in denen die Antwort nicht als kontinuierlicher Textabschnitt (span) im gegebenen Dokument enthalten ist. Wir präsentieren eine neuartige, auf neuronalen Netzwerken basierende Architektur, die in der Lage ist, auf der Grundlage eines gegebenen Frag-Dokument-Paares relevante Abschnitte zu extrahieren und eine gut formulierte Antwort zu generieren. Um die Wirksamkeit unserer Architektur zu demonstrieren, führten wir mehrere Experimente auf dem kürzlich vorgestellten und anspruchsvollen RC-Datensatz „NarrativeQA“ durch. Die vorgeschlagene Architektur erreicht eine relative Verbesserung um 12,62 % (ROUGE-L) gegenüber den bisher besten Ergebnissen.