그래프 구조의 문단 표현을 활용한 다중 단계 읽기 이해 연구: 그래프 신경망의 적용

다중 홉 읽기 이해는 시스템이 질문에 올바르게 답하기 위해 여러 개의 증거를 적절히 통합해야 하는 사실형 질문의 한 유형에 초점을 맞춥니다. 이전 연구에서는 전역 증거를 국소 공유 참조 정보로 근사화하여, 게이트 주의 독자(gated-attention reader) 내에서 DAG 스타일의 GRU 층을 사용해 공유 참조 체인(coreference chains)을 인코딩했습니다. 그러나 공유 참조는 풍부한 추론을 위한 정보 제공에 제한적입니다. 우리는 더 복잡한 그래프를 형성하는 전역 증거를 더 잘 연결하는 새로운 방법을 소개합니다. 우리의 그래프에서 증거 통합을 수행하기 위해 최근 두 가지 그래프 신경망, 즉 그래프 컨볼루션 네트워크(GCN)와 그래프 순환 네트워크(GRN)를 조사했습니다. 두 표준 데이터셋에서의 실험 결과, 더 풍부한 전역 정보가 더 나은 답변으로 이어짐을 보여주었습니다. 우리의 방법은 이러한 데이터셋에서 모든 기존 결과보다 우수한 성능을 보였습니다.