Extreme Classification for Answer Type Prediction in Question Answering

要約

【タイトル】
Question Answeringの回答タイプ予測におけるExtreme Classification

【要約】
・Semantic answer type prediction (SMART)は、効果的なQuestion Answering(QA)システムにとって重要なステップとされている
・SMARTタスクは、自然言語の質問に対して、top-kの知識グラフ(KG)タイプを予測することを目的とする
・KGには多数のタイプが存在するため、これは課題がある
・本論文では、Transformerモデルを用いたExtreme multi-label classification(XBERT)によるアプローチを提案する
・このアプローチでは、質問テキストに基づいた構造的および意味的特徴を用いて、KGタイプをクラスタリングすることができる
・具体的には、KGから派生したテキストと構造的特徴を用いて、XBERTパイプラインのクラスタリング段階を改善する
・これらの特徴を用いることで、SMARTタスクのエンドツーエンドのパフォーマンスを改善し、最先端の結果を得ることができることを示す。

要約(オリジナル)

Semantic answer type prediction (SMART) is known to be a useful step towards effective question answering (QA) systems. The SMART task involves predicting the top-$k$ knowledge graph (KG) types for a given natural language question. This is challenging due to the large number of types in KGs. In this paper, we propose use of extreme multi-label classification using Transformer models (XBERT) by clustering KG types using structural and semantic features based on question text. We specifically improve the clustering stage of the XBERT pipeline using textual and structural features derived from KGs. We show that these features can improve end-to-end performance for the SMART task, and yield state-of-the-art results.

arxiv情報

提供元, 利用サービス

arxiv.jp, OpenAI