论文泛读69利用束密集检索对非结构化文本进行多步推理

Posted 及时行樂_

tags:

篇首语:本文由小常识网(cha138.com)小编为大家整理,主要介绍了论文泛读69利用束密集检索对非结构化文本进行多步推理相关的知识,希望对你有一定的参考价值。

贴一下汇总贴:论文阅读记录

论文链接:《Multi-Step Reasoning Over Unstructured Text with Beam Dense Retrieval》

一、摘要

复杂的问题解答通常需要找到由多个证据组成的推理链。假设文本语料库是半结构化的,当前的方法结合了结构化知识和非结构化文本的优势。在密集检索方法的基础上,我们提出了一种新的多步检索方法(BeamDR),该方法通过在密集表示形式中进行波束搜索来迭代地形成证据链。在多跳问答中进行评估时,BeamDR在不使用任何半结构化信息的情况下,与最新系统相比具有竞争力。通过在密集空间中进行查询组合,BeamDR捕获了推理链中证据之间的隐式关系。

github

二、结论

我们介绍了一种简单而有效的多步密集检索方法,BEAMDR。通过在训练期间进行波束搜索和全局刷新负链,BEAMDR在密集空间中找到推理链。虽然不使用半结构化信息,但波束形成器比更复杂的SOTA系统更有竞争力。

虽然BEAMDR可以揭示嵌入在单个问题中的关系,但未来的工作应该研究如何使用这些联系来解决问题中的模糊性(Elgohary等人,2019;Min等人,2020),解决实体提及(Guha等人,2015),跨模态连接概念(Lei等人,2018),或将相关问题相互连接(Elgohary等人,2018)。

三、model

BEAMDR应用于底部,迭代进行查询,检索证据。

BEAMDR: Beam Dense Retriever
在这里插入图片描述

以上是关于论文泛读69利用束密集检索对非结构化文本进行多步推理的主要内容,如果未能解决你的问题,请参考以下文章

论文泛读68使用多跳密集检索来回答复杂的开放域问题

论文泛读173MemSum:使用多步情景马尔可夫决策过程对长文档进行提取总结

论文泛读173MemSum:使用多步情景马尔可夫决策过程对长文档进行提取总结

论文泛读70检索,阅读,重新排序,然后进行迭代:从文本中回答各种推理步骤的开放域问题

论文泛读67渐进式预训练密集语料库索引用于开放域问答

论文泛读66利用开放式问题解答的生成模型来利用通道检索