23156

درك مطلب چندگامه از چند سند

كارشناسي ارشد

هوش مصنوعي و رباتيكز

95-98

1398/11/28

دكتر مرتضي آنالويي

كامپيوتر

طراحي سامانه‌هايي كه قادر به يافتن پاسخ پرسش‌ها در مورد مطالبي كه در يك متن آمده است باشند، يكي از چالش‌هاي قديمي در ادراك زبان‌هاي طبيعي بوده است. روش‌هاي درك مطلب اخير مي‌توانند محدوده‌ي پاسخ صحيح را در متن داده شده با دقتي نزديك به دقت انساني استخراج كنند. به منظور پيشرفت توانايي روش‌هاي درك مطلب ماشيني به منظور استخراج دانش از متن، بايد پا را فراتر از اين سناريو بگذاريم كه در آن اطلاعات مرتبط بطور منسجم و صريح در يك سند واحد يا متن كوچك قرار گرفته‌اند. روش‌هاي با اين قابليت در كاربرد‌هاي استخراج اطلاعات سودمند بوده و مي‌توانند كارايي آن‌ها را افزايش دهند. ما در اين پژوهش ابتدا به بررسي اجزاي مورد نياز براي طراحي مدل‌هاي درك مطلب عصبي مي‌پردازيم كه قادر به استدلال، تركيب اطلاعات از بخش‌هاي مختلف متن و فيلتر كردن اطلاعات جهت پاسخ‌دهي به سوالات با در دست داشتن يك متن هستند. اين بررسي با در نظر گرفتن سه مولفه‌ي تركيب‌پذيري، استدلال و حافظه انجام شده و ما را به طراحي مدلي سرتاسري رسانده كه با تركيب سازوكار توجه و نوعي حافظه عصبي مشتق‌پذير، استدلال، تركيب و فيلتر اطلاعات را انجام مي‌دهد. با كنار هم قرار دادن بلوك‌هاي توجه بصورت سلسله‌مراتبي و بكارگيري نوعي از سازوكار حافظه، مدل ما مي‌تواند تا حد زيادي بسياري از چالش‌هاي موجود درك مطلب را رفع كند. نتايج آزمايش‌هاي مختلف بر روي مجموعه دادگان Wikihop نشان‌دهنده‌ي عملكرد موثر و مناسب معماري پيشنهادي در درك مطلب چند‌مرحله‌اي مي‌باشد.

1399/11/06

Multi-Hop Reading Comprehension Across Documents

2/17/2020 12:00:00 AM

Designing Systems being capable of finding answers to the questions about the contents of a body of text, is one of the old challenges in natural language understanding. Recently proposed reading comprehension methods can extract the correct answer span from text with an accuracy close to human. In order to advance reading comprehension methods' ability in knowledge extraction from text, we have to move beyond the scenario in which relevant information is explicitly and coherently reside in a single document or a short piece of text. Methods with such capability will be useful in information retrieval applications and they potentially can improve the performance in these applications. In this research, first we analyze the requirements of neural reading comprehension models in order for them to be capable of reasoning, composing and filtering relevant information to answer questions given a number of documents. This analysis is done by considering three elements namely compositionality, reasoning and memory; therefore, it leads us to designing an end-to-end neural model which reason about, compose and filter textual information by a combination of neural attention and memory mechanisms. By stacking attention blocks in a hierarchical manner and using some kind of memory mechanism, our model can largely address many of existing challenges in reading comprehension. Experimental results on Wikihop dataset demonstrate promising capability of the proposed model in multi-hop reading comprehension task.

درك مطلب , يادگيري عميق , تركيب‌پذيري معنايي , استنتاج منطقي

Reading Comprehension , Deep Learning , Semantic Compositionality , Logical Inference