Compréhension de la lecture générative multi-style

Cette étude aborde la compréhension générative de lecture (RC), qui consiste à répondre à des questions en se basant sur des preuves textuelles et la génération de langage naturel (NLG). Nous proposons un modèle de résumé abstrait multi-style pour le questionnement, appelé Masque. Le modèle proposé présente deux caractéristiques clés. Premièrement, contrairement à la plupart des études sur la RC qui se sont concentrées sur l'extraction d'une plage de réponse à partir des passages fournis, notre modèle met plutôt l'accent sur la génération d'un résumé à partir de la question et de plusieurs passages. Cela permet de couvrir divers styles de réponses nécessaires pour les applications du monde réel. Deuxièmement, alors que les études précédentes ont construit un modèle spécifique pour chaque style de réponse en raison de la difficulté d'obtenir un modèle général, notre approche apprend des réponses multi-style au sein d'un même modèle afin d'améliorer les capacités NLG pour tous les styles impliqués. Cela permet également à notre modèle de fournir une réponse dans le style cible. Les expériences montrent que notre modèle atteint des performances de pointe dans la tâche Q&A et la tâche Q&A + NLG du MS MARCO 2.1, ainsi que dans la tâche de résumé du NarrativeQA. Nous constatons que le transfert des capacités NLG indépendantes du style vers le style cible est essentiel à son succès.