Learning to Ask: Neural Question Generation for Reading Comprehension

1. 背景介绍

Question Generation是指根据“一段文字”生成“问题”,即像阅读理解的题目一样。其主要的应用场景是“教育”,方便读者深入理解一段文字,也为外语初学者等提供更多的学习材料;另外也可以被应用于对话生成中,即生成追问问题;也可以充当医生的角色,询问患者一些基本问题。但是目前这项研究的主要应用场景是生成更多的数据来提升Reading Comprehension和QA的效果。

Question Generation和其他的NLP任务一样,并不简单,比如说下面的例子中:

Sentence:
Oxygen is used in cellular respiration and released by photosynthesis, which uses the energy of sunlight to produce oxygen from water.

Questions:

  1. What life process produces oxygen in the presence of light? (photosynthesis)
  2. Photosynthesis uses which energy to form oxygen from water? (sunlight)
  3. From what does photosynthesis get oxygen? (water)

第一个问题中用到了常识信息photosynthesis是一种life process;
第二个问题中使用了近义词form代替produce;
第三个问题是对原句的一个倒置。
可见生成问题要考虑的情况有很多,是一个相对比较复杂的任务,需要对原文段进行抽象和重述。

大部分方法在做Question Generation的时候,一般经过两个步骤,第一,把raw text (sentence or paragraph)转换成某种syntactic representation (parsing tree);第二,把syntactic representation套入某个人工采集的template (问题模式)中,生成句子。这种传统的方法主要有三个不足:第一,人工采集template是费时费力的;第二,基于template的问题不够多样,比较死板;第三,分了太多的步骤 (too many pipelines)。

于是本文提出了用sequence-to-sequence模型来解决问题,即像机器翻译一样,把raw text看成是源语言,把question看成是目标语言,然后相当于是进行翻译。

1.1 推荐历史阅读

Lucy Vanderwende. 2008. The importance of being important: Question generation. https://www.microsoft.com/en-us/research/wp-content/uploads/2016/02/Lucy_Vanderwende_NSF_question_gen.pdf

Michael Heilman and Noah A. Smith. 2010. Good question! statistical ranking for question generation. http://www.aclweb.org/anthology/N10-1086

2. 模型构建

这里不再详细介绍sequence-to-seqence模型了,直接上图。

seq2seq_model.png

首先用双向RNN(BiRNN)编码整个句子,然后再用attention机制对编码后的句子进行侧重点标注,接着送入decoder中,输出问题。

论文中对于h_0的初始化,用了两种方式:
第一种是只使用了sentence embedding对h_0进行初始化,如图中所示,即:


sentence-level.png

第二种是用这个编码模型同时对句子和句子所在的文段进行编码,然后将编码结果进行concatenate,然后初始化h_0,即:


paragraph-level.png

3. 部分实验结果呈现

results.png
©著作权归作者所有,转载或内容合作请联系作者
  • 序言:七十年代末,一起剥皮案震惊了整个滨河市,随后出现的几起案子,更是在滨河造成了极大的恐慌,老刑警刘岩,带你破解...
    沈念sama阅读 206,378评论 6 481
  • 序言:滨河连续发生了三起死亡事件,死亡现场离奇诡异,居然都是意外死亡,警方通过查阅死者的电脑和手机,发现死者居然都...
    沈念sama阅读 88,356评论 2 382
  • 文/潘晓璐 我一进店门,熙熙楼的掌柜王于贵愁眉苦脸地迎上来,“玉大人,你说我怎么就摊上这事。” “怎么了?”我有些...
    开封第一讲书人阅读 152,702评论 0 342
  • 文/不坏的土叔 我叫张陵,是天一观的道长。 经常有香客问我,道长,这世上最难降的妖魔是什么? 我笑而不...
    开封第一讲书人阅读 55,259评论 1 279
  • 正文 为了忘掉前任,我火速办了婚礼,结果婚礼上,老公的妹妹穿的比我还像新娘。我一直安慰自己,他们只是感情好,可当我...
    茶点故事阅读 64,263评论 5 371
  • 文/花漫 我一把揭开白布。 她就那样静静地躺着,像睡着了一般。 火红的嫁衣衬着肌肤如雪。 梳的纹丝不乱的头发上,一...
    开封第一讲书人阅读 49,036评论 1 285
  • 那天,我揣着相机与录音,去河边找鬼。 笑死,一个胖子当着我的面吹牛,可吹牛的内容都是我干的。 我是一名探鬼主播,决...
    沈念sama阅读 38,349评论 3 400
  • 文/苍兰香墨 我猛地睁开眼,长吁一口气:“原来是场噩梦啊……” “哼!你这毒妇竟也来了?” 一声冷哼从身侧响起,我...
    开封第一讲书人阅读 36,979评论 0 259
  • 序言:老挝万荣一对情侣失踪,失踪者是张志新(化名)和其女友刘颖,没想到半个月后,有当地人在树林里发现了一具尸体,经...
    沈念sama阅读 43,469评论 1 300
  • 正文 独居荒郊野岭守林人离奇死亡,尸身上长有42处带血的脓包…… 初始之章·张勋 以下内容为张勋视角 年9月15日...
    茶点故事阅读 35,938评论 2 323
  • 正文 我和宋清朗相恋三年,在试婚纱的时候发现自己被绿了。 大学时的朋友给我发了我未婚夫和他白月光在一起吃饭的照片。...
    茶点故事阅读 38,059评论 1 333
  • 序言:一个原本活蹦乱跳的男人离奇死亡,死状恐怖,灵堂内的尸体忽然破棺而出,到底是诈尸还是另有隐情,我是刑警宁泽,带...
    沈念sama阅读 33,703评论 4 323
  • 正文 年R本政府宣布,位于F岛的核电站,受9级特大地震影响,放射性物质发生泄漏。R本人自食恶果不足惜,却给世界环境...
    茶点故事阅读 39,257评论 3 307
  • 文/蒙蒙 一、第九天 我趴在偏房一处隐蔽的房顶上张望。 院中可真热闹,春花似锦、人声如沸。这庄子的主人今日做“春日...
    开封第一讲书人阅读 30,262评论 0 19
  • 文/苍兰香墨 我抬头看了看天上的太阳。三九已至,却和暖如春,着一层夹袄步出监牢的瞬间,已是汗流浃背。 一阵脚步声响...
    开封第一讲书人阅读 31,485评论 1 262
  • 我被黑心中介骗来泰国打工, 没想到刚下飞机就差点儿被人妖公主榨干…… 1. 我叫王不留,地道东北人。 一个月前我还...
    沈念sama阅读 45,501评论 2 354
  • 正文 我出身青楼,却偏偏与公主长得像,于是被迫代替她去往敌国和亲。 传闻我的和亲对象是个残疾皇子,可洞房花烛夜当晚...
    茶点故事阅读 42,792评论 2 345

推荐阅读更多精彩内容