论文笔记整理：邓淑敏，浙江大学在读博士，研究方向为低资源条件下知识图谱自动化构建关键技术研究。
论文链接：https://openreview.net/pdf?id=SygWvAVFPr
Demo链接: https://demo.allennlp.org/reading-comprehension
代码链接: https://nitishgupta.github.io/nmn-drop/
这篇文章解决的任务是复杂问题问答，比如回答“谁在第二节比赛中得到最高分？”类似的问题。解决这个任务需要：理解问题->在蕴含答案的文本中做信息抽取à符号推理，所以问题的难点也显而易见：（1）理解问句语义，将复杂问题拆分成简单问题；（2）文本理解，理解文本中实体、关系和事件等；（3）进行推理，比如判断大小，计数等。传统的方法比如语义解析，或者pipeline的模型，要么需要基于结构化或半结构化数据去做，要么在子任务中依赖更多的监督信号，这对复杂问题问答任务来说都很难实现。因此这篇文章提出用神经模块网络去解决这个问题，先将问题解析成logicalform，然后在文本中运行可执行的模块。这里的模块可看成用于推理的可学习的函数。
模块概览
复杂问题问答包含的推理可分为两大类：自然语言推理和符号推理。自然语言推理可以看成是文本信息抽取的过程，符号推理就是基于抽取出的结构化知识进行推理判断。这两大类推理中定义的模块如上图所示。
下面看一个用神经模块网络解复杂问题问答的例子。
第一步：将问题解析成logicalform。
将问题解析成logicalform
第二步：在蕴含答案的文本中执行模块。
模块运行的最终结果
执行第一个模块：find()，找出得分这个实体
执行第二个模块：find-num()，找出得分的数值
执行第三个模块：max-num()，找出最大的得分值
执行第四个模块：extract-argument()，找出得到最大得分的人，这个模块类似于事件抽取中的argumentextraction
那接下来的问题就在于，如何组合这些模块，以及如何学习出这些模块。组合这些模块目前主要用一些seq-to-seq的模型，至于学习这些模块，下面给出学习find()模块的示例。
问题的嵌入用Q表示，蕴含答案的文本嵌入用P表示，find(Q)->P，输入问句的tokens，输出蕴含答案的文本中和输入tokens相同或相似的token分布，如下图所示
find(Q)->P示例
具体做法就是先计算一个“问题-蕴含答案文本”的相似度矩阵
然后按行标准化S，得到“问题-蕴含答案文本”的权重矩阵。
最后得到蕴含答案文本的token权重分布：
其他模块的做法这里就不赘述了，可以参见原文。
本文的实验用了DROP数据集（https://www.aclweb.org/anthology/N19-1246.pdf），实验结果如下
实体预测的实验结果比较
由于篇幅限制省略了一些细节，如果大家对这篇文章的工作感兴趣，可以阅读原文，也欢迎一起交流。
OpenKG
开放知识图谱（简称 OpenKG）旨在促进中文知识图谱数据的开放与互联，促进知识图谱和语义技术的普及和广泛应用。
点击阅读原文，进入 OpenKG 博客。
