链接：https://arxiv.org/pdf/1908.11511.pdf
在那些寒窗苦读的学生时代，你一定碰见过阅读理解，它需要融会贯通进行主观陈述和作答，是让无数考生头疼的题目。继智能系统在围棋、国际象棋、游戏等领域超越人类后，「阅读理解」也成为了机器的「苦恼」。
在此 AAAI 2020 论文中，云从科技和上海交大针对 RACE 多项选择题提出增强的 DCMN+模型。
据介绍，DCMN+是年初论文作者们提出的 DCMN 增强模型，针对多项选择型机器阅读理解，以大规模预训练模型（如 BERT 等）作为前端编码器，在多个多项选择型机器阅读理解任务（如卡耐基梅隆大学的 RACE）上取得了最先进的水平，另外 DCMN 也适用于其他简单分类任务。
与其他技术相比，其显著特征是双向匹配策略，其他现有模型的匹配策略都是单向的，比如在文章-问题（P-Q）建模时，现有技术只有问题（Q）在文章（P）上的映射匹配，没有文章（P）在问题（Q）上的映射匹配，而 DCMN 则集成了两个方向的匹配信息。此外，还集成了文章中句子筛选-从文章（P）中筛选出与问题相关的句子用于推理，答案选项交互-引入选项之间比较信息两种阅读策略，进一步提升了模型的性能。
以下是对此论文的技术解读。
1 任务描述
本文主要聚焦多项选择型机器阅读理解，它的形式类似于英语考试中的阅读理解（选择题），给定一篇文章，通过阅读并理解文章（Passage），针对提出的问题（Question）从选项中选择正确的答案（Answers）。其中典型的数据集是卡内基-梅隆大学发起的大型深层阅读理解任务数据集 RACE（ReAding Comprehension dataset collected from English Examinations），它来源于中学考试题目的大规模阅读理解数据集，包含了大约 28000 个文章以及近 100000 个问题。除了 RACE，我们还在 SemEval-2018 Task11, ROCStories，MCTest 以及 COIN Task1 等类似多项选择型数据集上测试了我们的模型。
一个典型的多项选择型机器阅读理解的例子
2 模型框架
本文提出的 DCMN+主要包含三个模块：1）文章中句子筛选，从文章（Passage）中筛选出与问题相关的句子用于推理；2）答案选项交互，引入选项之间比较信息；3）双向匹配策略，充分利用 Passage，Question 与 Answers 之间的交互信息，作对称双向匹配。
整体模型框架，三个模块：Sentence Selection, Option Interaction 和 Bidirectional Matching
2.1 编码器
本文直接以预训练完的语言模型作为前端编码器，例如 BERT 以及 XLNet，分别编码 Passage，Question 及 Answers。
2.2 文章句子选择（Passage Sentence Selection）
为从文章中选择出与问题最相关的句子，我们分别计算了文章中每个句子与问题-选项对的相似度，选出最为相关的 K（超参数）个句子，输入到模型的以后部分作为推理依据。具体计算句子间相似度的方式有两种：余弦距离与双线性距离。
余弦距离：逐个计算文章中句子与问题-选项对中单词间的距离，取其平均值作为相似度分数：
双线性距离：通过计算文章句子与问题选项对的双线性匹配分数，然后通过线性降维来得到最后的分数：
2.3 答案选项交互（Answer Option Interaction）
通过引入答案选项之间的比较信息，使得每个答案融入了相对于其他答案的比较信息，从而每个答案选项不在是孤立的，具体计算方式是引入每对选项之间的双线性比较信息，最后使用门控机制与原始的选项信息融合。
2.4 双向匹配策略（Bidirectional Matching）
计算 Passage-Question-Answers 三元组中所有的两两二元组的双向匹配信息，即 P-Q，P-A，Q-A。接下来以 Q-A 之间的匹配方式作为说明：问题及答案选项分别被编码为 H^q 以及 H^a，则 Q-A 间的双向匹配表示 M^qa 可以用以下方式计算：
2.5 目标函数
得到文章，问题，答案选项之间双向匹配表示
之后，我们把它们串联起来过一层全连接线性层去预测最后的答案，如果 A^k 是正确的答案选项，Loss 可以计算如下：
3 实验结果
我们在各个多项选择数据集上均取得了最先进的成绩，包括 RACE，SemEval-2018 Task11, ROCStories，MCTest 以及 COIN Task1。
在 RACE 上的结果比较，我们取得了最高的成绩
在 SemEval-2018 Task11, ROCStories，MCTest 以及 COIN Task1 的成绩，我们均取得了最高的成绩
DCMN+模型在 RACE、SemEval-2018 Task11、 ROCStories、MCTest 以及 COIN Task1 不同数据集上均取得了最高成绩。
在 RACE 上的结果比较，取得最高成绩
在 SemEval-2018 Task11, ROCStories，MCTest 以及 COIN Task1 上，也均获得最高成绩
