要約
対話における質問応答は、特定の機械読解タスクであり、対話の内容を理解し、特定の質問に適切に回答することを目的としている。近年の技術進展にもかかわらず、従来のアプローチは対話の構造や背景知識（例えば発話者間の関係性）を十分に考慮していなかった。本論文では、対話の構造化と背景知識の統合に特徴を持つ、新たなアプローチを提案する。具体的には、従来の「構造なし」型アプローチとは異なり、本手法は対話を「関係性グラフ（relational graph）」として表現し、エッジを用いて実体間の関係を表す。この関係性グラフを符号化するため、グラフのトポロジカル構造を効果的に走査し、多様な関係性知識を有効に表現できるように、関係性グラフ畳み込みネットワーク（R-GCN）を設計した。広範な実験により、本手法が競合するベースラインに対して優れた性能を発揮することが実証された。さらに、詳細な分析から、本モデルは関係性推論を要する複雑な質問に対して優れた対処能力を示すとともに、混乱を誘導する文を含む敵対的攻撃に対しても強靭な耐性を持つことが明らかになった。