要約
質問生成（Question Generation: QG）は、多くの下流タスクにおいて基盤的な自然言語処理（NLP）タスクである。近年、モデルに支援となる回答・文脈ペアが提供される「オープンブックQG」に関する研究が進展し、有望な成果が得られている。しかし、これらの支援文書が存在しないより現実的な「クローズドブック」設定下で自然な質問を生成する課題は依然として残されている。本研究では、長文の要約型回答の意味をより深く理解し、対照学習および回答再構成モジュールを用いてモデルパラメータにより多くの情報を蓄積できるように設計された、新たなクローズドブック設定向けQGモデルを提案する。実験により、公開データセットおよび新しく作成したWikiCQAデータセット上で提案モデルの有効性を検証した。実証結果から、自動評価および人間評価の両面で、提案モデルが既存のベースラインを上回ることが示された。さらに、提案モデルを活用して既存の質問・回答システムの性能を向上させる方法も提示した。これらの結果は、本モデルがクローズドブック型質問・回答タスクの性能向上に有効であることを裏付けている。