Modeling Hierarchical Reasoning Chains by Linking Discourse Units and Key Phrases for Reading Comprehension

要約

機械読解 (MRC) は、与えられたコンテキストに含まれる暗黙の論理関係を理解し​​、それに対して推論を実行することを目的とした論理推論に対して新たな課題を提起します。
ロジックは複雑であるため、論理関係はさまざまな粒度レベルで存在します。
しかし、既存の論理的推論方法のほとんどは、実体認識情報または談話ベースの情報に個別に焦点を当てていますが、相互に影響を与える可能性がある階層関係を無視しています。
この論文では、よりきめ細かい関係抽出を提供するために、論理的推論の基礎として談話レベルと単語レベルの両方でコンテキストを扱う全体的グラフ ネットワーク (HGN) を提案します。
具体的には、推論プロセスのブリッジとして解釈できるノードレベルとタイプレベルの関係が、MRC システムの解釈を改善するために階層型相互作用メカニズムによってモデル化されています。
論理推論 QA データセット (ReClor および LogiQA) および自然言語推論データセット (SNLI および ANLI) に関する実験結果は、私たちの方法の有効性と一般化を示し、詳細な分析により、複雑な論理関係を理解する能力が検証されます。

要約(オリジナル)

Machine reading comprehension (MRC) poses new challenges over logical reasoning, which aims to understand the implicit logical relations entailed in the given contexts and perform inference over them. Due to the complexity of logic, logical relations exist at different granularity levels. However, most existing methods of logical reasoning individually focus on either entity-aware or discourse-based information but ignore the hierarchical relations that may even have mutual effects. In this paper, we propose a holistic graph network (HGN) which deals with context at both discourse level and word level, as the basis for logical reasoning, to provide a more fine-grained relation extraction. Specifically, node-level and type-level relations, which can be interpreted as bridges in the reasoning process, are modeled by a hierarchical interaction mechanism to improve the interpretation of MRC systems. Experimental results on logical reasoning QA datasets (ReClor and LogiQA) and natural language inference datasets (SNLI and ANLI) show the effectiveness and generalization of our method, and in-depth analysis verifies its capability to understand complex logical relations.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google