机器问答中的探索、推理和归纳机制研究

In the era of information explosion, people are not satisfied with the sorted list of related documents provided by search engines, or structured queries in the knowledge base, while expect a more natural, more accurate and more flexible way of obtaining information. A machine question answering system based on unstructured data provides a new way to get information. However, in the face of the complexity of the problem reformulation, the complexity of the reasoning process and the complexity of the answer structure, the existing machine question answering system can only support independent questions, single-step reasoning and simple answers, which greatly limits the application of the machine question answering system in real scenes. Drawing on the problem exploration, process reasoning and answer summarization strategies used by people who deal with real scene problems, This proposal introduces 1) the exploration mechanism in the machine question answering, which iteratively polish the user question and approach the real information need, in order to solve the information asymmetry between the user and the system; 2) the reasoning mechanism in machine question answering, which apply the logical chain to perform reasoning across multiple documents, in order to get a more accurate reasoning process; 3) the induction mechanism in the machine question answering, which integrate question and the multi-segment answer information, in order to get a more natural answer. Combined with the above three mechanisms, the “exploration-inference-induction” process of machine question answering can be derived, and a more intelligent machine question answering system is designed.

在现今信息爆炸的时代，人们并不满足于搜索引擎提供的相关文档排序列表，或者是知识库中的结构化查询，而期待更自然、更精确、更灵活的信息获取方式。基于非结构化数据的机器问答系统，提供了新的信息获取方式。然而，面对问题演化的复杂性、推理过程的复杂性和答案结构的复杂性，现有的机器问答系统仅能支持独立问题、单步推理和简答答案，这极大限制了机器问答系统在真实场景中的应用。借鉴人们处理真实场景问题所使用的问题探索、过程推理和答案归纳的策略，本课题拟研究三个问题，包括：1）问答中的探索机制，迭代的完善用户问题，逼近真实信息需求，解决用户与系统的信息不对称；2）问答中的推理机制，利用逻辑链条跨文档推理，得到更精确的推理过程；3）问答中的归纳机制，整合问题与多片段答案信息，得到更自然的答案。结合以上三种机制，可得出“探索-推理-归纳”为一体的机器问答流程，设计出更加智能的机器问答系统。

随着信息爆炸时代的到来，更加便捷和灵活的信息获取方式是提高社会运转效率的核心。智能问答系统旨在直接通过查询得到精简有效的答案，成为了最为直接的信息获取方式。然而，面对问题演化的复杂性、推理过程的复杂性和答案结构的复杂性，现有的机器问答系统仅能支持独立问题、单步推理和简答答案，这极大限制了机器问答系统在真实场景中的应用。借鉴人们处理真实场景问题所使用的问题探索、过程推理和答案归纳的策略，本课题拟研究三个问题，包括：1）问答中的探索机制，迭代的完善用户问题，逼近真实信息需求，解决用户与系统的信息不对称；2）问答中的推理机制，利用逻辑链条跨文档推理，得到更精确的推理过程；3）问答中的归纳机制，整合问题与多片段答案信息，得到更自然的答案。针对探索机制，利用伪相关反馈方法引入历史语料信息，利用话题相关性建模引入外部知识，解决信息不对称问题；针对推理机制，提出排序不变性原理增强证据筛选能力，设计自适应信息搜寻框架形成端到端构建逻辑推理链条，解决可解释推理问题；针对归纳机制，提出反事实因果生成框架和直推式风格迁移模型，提升答案的完整性、简洁性和自包含性。最终形成一套多跳问答推理系统，相关研究成果应用于多个企业落地系统中，并在多项国际问答赛事获得冠军。对于提升社会对海量信息的处理和理解提供有效方案，具备较强的应用前景。

内容获取失败，请点击重试