万能的Seq2Seq：基于Seq2Seq的阅读理解问答

作者丨苏剑林

单位丨追一科技

研究方向丨NLP，神经网络

个人主页丨kexue.fm

今天给 bert4keras [1] 新增加了一个例子：阅读理解式问答（task_reading_comprehension.py [2]），语料跟之前一样，都是用 WebQA 和 SogouQA [3]，最终的得分在 0.75 左右（单模型，没精调）。

方法简述

由于这次主要目的是给 bert4keras 增加 demo，因此效率就不是主要关心的目标了。这次的目标主要是通用性和易用性，所以用了最万能的方案——seq2seq 来实现做阅读理解。

用 seq2seq 做的话，基本不用怎么关心模型设计，只要把篇章和问题拼接起来，然后预测答案就行了。此外，seq2seq 的方案还自然地包括了判断篇章有无答案的方法，以及自然地导出一种多篇章投票的思路。总而言之，不考虑效率的话， seq2seq 做阅读理解是一种相当优雅的方案。

这次实现 seq2seq 还是用 UNILM 的方案，如果还不了解的读者，可以先阅读从语言模型到Seq2Seq：Transformer如戏，全靠Mask了解相应内容。

模型细节

用 UNILM 方案搭建一个 seq2seq 模型在 bert4keras 中基本就是一行代码的事情，所以这个例子的主要工作在并不在模型的建立上，而是在输入输出的处理上面。 

输入格式

首先是输入，输入格式很简单，一张图可以表达清楚：

▲ 用seq2seq做阅读理解的模型图示

输出处理

如果输入单个篇章和单个问题进行回答，那么直接按照 seq2seq 常规的处理方案——即 beam search——来解码即可。 

但是，WebQA 和 SogouQA 面对的是搜索场景，即同时存在多篇文章来对同一个问题进行回答，这就涉及到投票方案的选择了。一种朴素的思路是：每个篇章结合问题单独用 beam search 解码，并且给出置信度，最后再按照基于CNN的阅读理解式问答模型：DGCNN的投票方式进行。这种方式的困难之处在于对每个答案给出一个合理的置信度，它相比我们后面给出的思路则显得不够自然，并且效率也稍低些。 

这里我们给出一种跟 beam search 更加“契合”的方案：先排除没有答案的篇章，然后在解码答案的每一个字时，直接将所有篇章预测的概率值（按照某种方式）取平均。 

具体来说，所有篇章分别和问题拼接起来，然后给出各自的第一个字的概率分布。那些第一个字就给出 [SEP] 的篇章意味着它是没有答案的，排除掉它们。排除掉之后，将剩下的篇章的第一个字的概率分布取平均，然后再保留 topk（beam search 的标准流程）。预测第二个字时，每个篇章与 topk 个候选值分别组合，预测各自的第二个字的概率分布，然后再按照篇章将概率平均后，再给出 topk。依此类推，直到出现 [SEP]。其实就是在普通的 beam search 基础上加上按篇章平均，如果实在弄不明白，那就只能去看源码了。

此外，生成答案的方式应该有两种，一种是抽取式的，这种模式下答案只能是篇章的一个片段，另外一种是生成式的，即不需要考虑答案是不是篇章的片段，直接解码生成答案即可。这两种方式在本文的解码中都有相应的判断处理。

实验代码

代码链接：

https://github.com/bojone/bert4keras/blob/master/examples/task_reading_comprehension.py

最终在 SogouQA 自带的评估脚本 [4] 上，valid 集的分数大概是 0.75，单模型成绩轻松超过了之前的《开源一版DGCNN阅读理解问答模型（Keras版）》[3] 模型。当然，提升是有代价的——预测速度大大降低，每秒只能预测 2 条数据左右。

模型没精细调优，估计还有提升空间，当前还是以 demo 为主。

文章小结

本文主要是给出了一个基于 bert 和 seq2seq 思路的阅读理解例子，并且给出了一种多篇章投票的 beam search 策略，供读者参考和测试。

相关链接

[1] https://github.com/bojone/bert4keras[2] https://github.com/bojone/bert4keras/blob/master/examples/task_reading_comprehension.py [3] https://kexue.fm/archives/6906[4] https://github.com/bojone/dgcnn_for_reading_comprehension

点击以下标题查看作者其他文章： 

#投 稿 通 道#

 让你的论文被更多人看到 

如何才能让更多的优质内容以更短路径到达读者群体，缩短读者寻找优质内容的成本呢？答案就是：你不认识的人。

总有一些你不认识的人，知道你想知道的东西。PaperWeekly 或许可以成为一座桥梁，促使不同背景、不同方向的学者和学术灵感相互碰撞，迸发出更多的可能性。

PaperWeekly 鼓励高校实验室或个人，在我们的平台上分享各类优质内容，可以是最新论文解读，也可以是学习心得或技术干货。我们的目的只有一个，让知识真正流动起来。

📝 来稿标准：

• 稿件确系个人原创作品，来稿需注明作者个人信息（姓名+学校/工作单位+学历/职位+研究方向） 

• 如果文章并非首发，请在投稿时提醒并附上所有已发布链接 

• PaperWeekly 默认每篇文章都是首发，均会添加“原创”标志

📬 投稿邮箱：

• 投稿邮箱：[e-mail] 

• 所有文章配图，请单独在附件中发送 

• 请留下即时联系方式（微信或手机），以便我们在编辑发布时和作者沟通

🔍

现在，在「知乎」也能找到我们了

进入知乎首页搜索「PaperWeekly」

点击「关注」订阅我们的专栏吧

关于PaperWeekly

PaperWeekly 是一个推荐、解读、讨论、报道人工智能前沿论文成果的学术平台。如果你研究或从事 AI 领域，欢迎在公众号后台点击「交流群」，小助手将把你带入 PaperWeekly 的交流群里。

▽ 点击 | 阅读原文 | 查看作者博客