春節(jié)玩耍結(jié)束啦，又開始學(xué)習(xí)啦！最近筆者學(xué)習(xí)了一下開放領(lǐng)域問答（open-domain question answering）最近幾年的進(jìn)展和研究。由于背景知識(shí)和相關(guān)研究較多，筆者將其作為一個(gè)系列進(jìn)行總結(jié)和記錄，也希望能幫助到相關(guān)領(lǐng)域/對(duì)相關(guān)領(lǐng)域感興趣的同學(xué)。這是第一篇，歡迎關(guān)注后續(xù)！

開放領(lǐng)域問答背景知識(shí)

在學(xué)習(xí)“開放領(lǐng)域問答（open-domain question answering）”之前，我們先看一個(gè)搜索+問答的例子。2021年2月，我在谷歌里搜索問題：“美國現(xiàn)任總統(tǒng)是誰？”，谷歌不僅能給出相關(guān)維基百科頁面的推薦，還直接給出問題的答案：“拜登”。筆者記憶里，10年前的搜索是無法給出答案的。那么，搜索引擎從以往的關(guān)鍵詞匹配到今天的智能問答（雖然目前還只能回答一些簡(jiǎn)單的事實(shí)問題），開放領(lǐng)域問答方面的研究有不小的貢獻(xiàn)。

什么是問答（Question Answering，QA；或者也可以叫機(jī)器問答/機(jī)器閱讀理解/Machine Reading Comprehension）？什么又是開放領(lǐng)域問答（open-domain QA）呢？我們先簡(jiǎn)單介紹如下幾個(gè)基本概念。

機(jī)器問答：讓計(jì)算機(jī)系統(tǒng)自動(dòng)回答人類提出的描述性問題（一般來說需要用文字描述出來）。

開放領(lǐng)域：可以詢問任何問題（不對(duì)問題的領(lǐng)域，比如科研領(lǐng)域，體育，NBA或者足球領(lǐng)域等做限制，同時(shí)問問題時(shí)不提供相關(guān)文獻(xiàn)），比如可以問：EMNLP2020接收了多少篇文章？也可以問：現(xiàn)任美國總統(tǒng)是誰？。

知識(shí)庫：一般來說這些問題的答案可以在一個(gè)給定的知識(shí)庫中找到：比如純文本無結(jié)構(gòu)化的維基百科，或者是結(jié)構(gòu)化的知識(shí)庫（比如ConceptNet），或者是半結(jié)構(gòu)化的表格。當(dāng)然如果問題在知識(shí)庫中沒有答案，我們也希望機(jī)器能告訴我們此問題無解。本文涉及的相關(guān)研究都先重點(diǎn)關(guān)注無結(jié)構(gòu)化的文本知識(shí)庫，結(jié)構(gòu)化知識(shí)庫的開放領(lǐng)域問答放在后面的文章中進(jìn)行介紹。

結(jié)合上面3條概念，圖1的例子涉及的流程可以這樣簡(jiǎn)要概括成如下二個(gè)階段（當(dāng)然實(shí)際流程要復(fù)雜得多）：

提問者先描述了問題：美國現(xiàn)任總統(tǒng)是誰？谷歌搜索系統(tǒng)根據(jù)問題從谷歌構(gòu)建好的知識(shí)庫中（包括了維基百科、以及各種網(wǎng)頁）找到最相關(guān)部分知識(shí)（比如美國總統(tǒng)選舉的維基百科網(wǎng)頁和相關(guān)文字報(bào)道）。

從最相關(guān)的部分知識(shí)（美國總統(tǒng)選舉維基百科網(wǎng)頁）中找到了問題的具體答案：拜登。

由于二階段系統(tǒng)十分直觀且便于結(jié)合檢索工具+機(jī)器閱讀理解實(shí)現(xiàn)，最近幾年的關(guān)于開放領(lǐng)域問答的許多研究也都屬于以上這種二階段系統(tǒng)，本文作為開放領(lǐng)域問答梳理的第一篇也將優(yōu)先學(xué)習(xí)這個(gè)系統(tǒng)：基于信息檢索（information Retrieval， IR）+機(jī)器閱讀理解（Machine Reading Comprehension， MRC）（retriever-reader）的開放領(lǐng)域問答系統(tǒng)，如圖2所示。

當(dāng)然除了二階段系統(tǒng)之外，還有單階段的系統(tǒng)（比如Phrase Retrieval期望直接通過檢索IR找出答案，T5、GPT3這種大規(guī)模預(yù)訓(xùn)練模型甚至可以期望直接通過MRC生成答案），還有多階段的系統(tǒng)（比如把二階段系統(tǒng)中的IR細(xì)分到文檔檢索+文檔ranking，MRC細(xì)分為answer extraction和answer ranking，或者是迭代式（iterative）問答/多輪問答/multi-hop QA），這些系統(tǒng)的相關(guān)研究將在后續(xù)文章中逐漸覆蓋。

所以本文涉及的研究都有這么2個(gè)特點(diǎn)：1、關(guān)注事實(shí)性的、無結(jié)構(gòu)化文本的識(shí)庫；2、都是兩階段IR+MRC的開放領(lǐng)域問答系統(tǒng)。

第一個(gè)兩階段系統(tǒng)：DrQA

Reading Wikipedia to Answer Open-Domain Questions，簡(jiǎn)稱DrQA，是danqi chen在2017發(fā)表于ACL上的一篇經(jīng)典文章，業(yè)內(nèi)也經(jīng)常稱該論文是深度學(xué)習(xí)時(shí)代關(guān)于開放領(lǐng)域問答的第一篇文章。

除開研究方面的貢獻(xiàn)，該文開源代碼十分值得入門的同學(xué)學(xué)習(xí)！包括但不限于：自然語言處理任務(wù)的文本預(yù)處理、TFIDF的高效實(shí)現(xiàn)、訓(xùn)練LSTM神經(jīng)網(wǎng)絡(luò)用于閱讀理解抽取答案、python多線程加速信息檢索、文本中的詞性標(biāo)注等作為特征幫助文本理解任務(wù)。

圖3 DrQA示意圖

如圖3所示，該DrQA根據(jù)給定的問題，使用TF-IDF算法（不可訓(xùn)練）對(duì)相關(guān)文檔在知識(shí)庫wikipedia中進(jìn)行檢索，隨后訓(xùn)練一個(gè)基于LSTM（直接替換成BERT也是可以的）的閱讀理解模型抽取答案。知識(shí)庫widipedia可以直接換成其他文本知識(shí)庫的。

如何訓(xùn)練？

1、文檔檢索的TF-IDF無法訓(xùn)練。

2、閱讀理解模型使用LSTM模型，基于（問題Q，文檔P，答案A）三元組進(jìn)行訓(xùn)練，三元組來源一個(gè)是SQuAD標(biāo)注的訓(xùn)練數(shù)據(jù)，一個(gè)是distant supervision。所謂distant supervision的意思是：根據(jù)問題Q使用TF-IDF找到相關(guān)文檔P，只要相關(guān)文檔P包含答案A，無論這個(gè)相關(guān)文檔是什么文檔，都可以構(gòu)建出一個(gè)新的訓(xùn)練三元組（Q，P，A）。

如何預(yù)測(cè)？

1、使用TF-IDF檢索出最相關(guān)的5個(gè)文檔；

2、用訓(xùn)練好的LSTM閱讀理解模型挨個(gè)抽取答案，每個(gè)文檔抽取的答案都有一個(gè)得分。

3、根據(jù)所有文檔抽取的答案，選擇答案得分start位置end位置綜合得分最高的answer span。

論文除了說DrQA效果好之外，還提到：多任務(wù)學(xué)習(xí)和有幫助。

多任務(wù)學(xué)習(xí)的幫助可以見筆者上兩篇公眾號(hào)內(nèi)容。

distant supervision有幫助筆者的2點(diǎn)理解為：

1、distant supervision構(gòu)建了更多的訓(xùn)練樣本，可以看作數(shù)據(jù)增強(qiáng)；

2、distant supervision讓模型在訓(xùn)練和預(yù)測(cè)階段更一致。在預(yù)測(cè)階段，根據(jù)問題抽取的文檔并不一定都是標(biāo)注的那個(gè)唯一文檔，還可能有其他包含答案但并不是標(biāo)注的唯一文檔，因此預(yù)測(cè)的時(shí)候模型見到這些文檔也能抽取答案；

那么咱們想一下這個(gè)最基本的DrQA有哪些地方可以改進(jìn)呢？比如：

是否可以優(yōu)化一下文檔的粒度？

不按照documet來檢索，而是按照段落paragraph、句子sentence來檢索呢？

TF-IDF抽取的top 5個(gè)文檔并不準(zhǔn)，是可以再訓(xùn)練一個(gè)ranker模型根據(jù)問題quesiton，document來選更準(zhǔn)的模型？

有推薦系統(tǒng)背景的同學(xué)其實(shí)可以按照召回-粗排-精排這個(gè)思路來考慮？

閱讀理解時(shí)是否可以一閱讀多個(gè)文檔，而不是每次都只看一個(gè)文檔？

每次抽取一個(gè)文檔的答案，然后再比較不同文檔里的答案得分是否合理呢？

文檔檢索、文檔rank和文檔閱讀理解階段相互獨(dú)立，是否可以讓這兩個(gè)階段互相幫助一下呢或者一起考慮呢？

更直觀的改進(jìn)比如：

LSTM換成更牛逼的BERT模型是否可以？

pipeline的系統(tǒng)可否改進(jìn)為end-to-end呢？

如果一個(gè)passage包含多個(gè)answer，那么選哪一個(gè)作為監(jiān)督信號(hào)呢？

DrQA基本系統(tǒng)改進(jìn)1:BERTserini

圖4 BERTserini

如圖4所示，論文：End-to-End Open-Domain Question Answering with BERTserini 使用Anserini檢索和BERT進(jìn)行閱讀理解。相對(duì)于DrQA，BERTserini論文的主要點(diǎn)有：

對(duì)sentence、paragraph、sentence粒度的檢索進(jìn)行了比較，發(fā)現(xiàn)paragraph級(jí)別的效果最好。

筆者的一點(diǎn)理解：

a. SQuAD是基于paragraph標(biāo)注的，如果是article粒度，一個(gè)文檔太長(zhǎng)，所以有大量的無關(guān)paragraph，不太適合；如果是sentence的話，檢索出來的句子聯(lián)系太少，不利于閱讀理解；

b.由于BERT是512長(zhǎng)度限制，平均一個(gè)wikipedia的paragraph的長(zhǎng)度在100多個(gè)token，如果按照paragraph來分的話，一個(gè)BERT是可以放入多個(gè)檢索的paragraph的，這里其實(shí)也是可以幫助提升效果。

將閱讀理解reader的打分和Anserini檢索的打分進(jìn)行綜合考慮來選擇最佳的答案span。

3. MRC模型升級(jí)為更強(qiáng)的BERT可以幫助抽取答案的效果更好。

DrQA基本系統(tǒng)改進(jìn)2:訓(xùn)練一個(gè)passage ranker

簡(jiǎn)單來說就是將TF-IDF檢索回來的文檔用一個(gè)深度學(xué)習(xí)模型進(jìn)行重新排序。

圖6 通過增加一個(gè)Document ranker來改進(jìn)

論文：Training a Ranking Function for Open-Domain Question Answering十分簡(jiǎn)單：直接訓(xùn)練一個(gè)ranker模型，把TF-IDF檢索回來的passage或者document排序一下，讓更準(zhǔn)確更相關(guān)的文檔送入閱讀理解模型，提升模型。

相關(guān)的另一篇論文passage re-ranker with BERT字面意思理解就是：改成BERT跑一下效果更好。

另外論文：Revealing the Importance of Semantic Retrievalfor Machine Reading at Scale對(duì)句子sentence、段落paragraph級(jí)別的影響做了詳細(xì)的分析。

DrQA基本系統(tǒng)改進(jìn)3: multi-passage一起處理

這里的passage其實(shí)可以指一個(gè)段落paragraph也可以說是一個(gè)文本片段segment，總之就是一段連續(xù)的文字。multi-passage一起處理的意思就是將檢索回來的多個(gè)文檔統(tǒng)一處理。

multi-passage最直觀的地方有：1、reading comprehension；2、passage ranking。

multi-psaage最直觀的方式是：想一想softmax是怎么統(tǒng)一歸一化的即可。

reading comprehension的時(shí)候考慮multi-passage：

比如論文Simple and Effective Multi-Paragraph Reading Comprehension

和論文Multi-passage BERT: A Globally Normalized BERT Model forOpen-domain Question Answering：都是按照單個(gè)段落獨(dú)立抽取answer span，但最終對(duì)所有答案的得分統(tǒng)一歸一化后選擇最好的答案（屬于answer ranking階段的統(tǒng)一處理），都是在MRC抽取答案的時(shí)候歸一化之后比較得分再選最高分。

它帶來的明顯好處是：根據(jù)問題檢索的passage增加雖然會(huì)增大answer出現(xiàn)的概率，但同時(shí)也會(huì)引入更多的噪聲讓reader效果下降，有了這個(gè)統(tǒng)一歸一化之后，reader抽取答案時(shí)候受到噪聲的影響更小，如圖5所示。

圖5隨著passage數(shù)量增加，multi-passage BERT保持了高的F1得分

ranking passage的時(shí)候multi-passage考慮：

圖6multi-passage進(jìn)行ranking

論文Denoising Distantly Supervised Open-Domain Question Answering便是多個(gè)passage一起ranking的一個(gè)代表。其主要點(diǎn)是：

對(duì)TF-IDF檢索回來的passage訓(xùn)練一個(gè)re-ranking模型（TF-IDF passage檢索可以看作是對(duì)passage的第一步rank打分）可以幫助找到更準(zhǔn)確的相關(guān)passage。

如果我們能多個(gè)passage一起re-ranking，則這個(gè)re-ranking模型抗噪聲能力會(huì)更好。

passage re-ranking模型可以通過distant supervision訓(xùn)練，也就是說一個(gè)question+一個(gè)包含了答案的passage可以當(dāng)作一個(gè)正樣本。

DrQA基本系統(tǒng)改進(jìn)4:Reader-Ranker互相幫助

Reader-ranker互相幫助的核心點(diǎn)在于：如果ranking模型和reader模型并不孤立的話，那reader模型的信息如何被ranking模型利用，ranking模型的信息如何被reader模型利用？

圖7reader-ranker互相幫助

如圖7所示，論文R3: Reinforced Ranker-Reader for Open-Domain Question Answering基于強(qiáng)化學(xué)習(xí)讓re-ranker-reader模型進(jìn)行了交互。該文的主要點(diǎn)是：

Ranker模型和Reader模型基于強(qiáng)化學(xué)習(xí)一起訓(xùn)練，具體可以如圖8所示，簡(jiǎn)單描述為：Retriever根據(jù)question抽取top k的passages，然后passages經(jīng)過ranker打分后，采樣一個(gè)passage送入reader，reader抽取得到answer，根據(jù)預(yù)測(cè)answer和正確答案之間的F1得分作為reward，然后根據(jù)plolicy gradient來更新re-ranker模型，同時(shí)也根據(jù)監(jiān)督信號(hào)來更新reader模型。

圖8R3: Reinforced Ranker-Reader示意圖

筆者的一點(diǎn)想法：其實(shí)筆者更期待這個(gè)模型在多輪問答（multi-hop question answering）上的表現(xiàn)。

DrQA基本系統(tǒng)改進(jìn)5：answer re-ranker

Answer re-ranker的基本思想是：如果檢索到的多個(gè)passage，每個(gè)passage都會(huì)被reader抽取多個(gè)answer span的話，那是否可以根據(jù)檢索部分的信息、閱讀理解部分的信息對(duì)抽取出來所有可能的answer span再次進(jìn)行re-rank呢？

圖9Answer re-ranker

如圖9所示，論文Evidence Aggregation for Answer Re-Ranking in Open-Domain Question Answering基于信息檢索部分的特征、閱讀理解部分的特征給出了兩種answer re-ranker方法：

1. 如圖10所示，左邊的例子a就是Strength-based answer re-ranker。意思是，如果reader預(yù)測(cè)的答案被多段文本所支撐，則該答案更大概率是正確答案。

2. 如圖10所示，右邊的例子b就是Coverage-based answer re-ranker。意思是，如果支撐該答案的多段文本對(duì)于問題信息的覆蓋度更好，則該答案更有可能是正確答案。

圖10Strength-based和Coverage-basedre-ranker舉例

DrQA基本系統(tǒng)改進(jìn)6: 監(jiān)督信號(hào)的選擇

在DrQA的研究中顯示，如果訓(xùn)練的時(shí)候只有問題question和answer，通過信息檢索得到相關(guān)passage來包含answer作為distant supervision，那么這個(gè)監(jiān)督信號(hào)有它明顯的問題的：如圖11所示，如果一個(gè)段落中包含多個(gè)answer，那么選哪個(gè)位置的answer作為答案呢？因?yàn)橛?xùn)練的時(shí)候是按照answer的start和end位置作為監(jiān)督信號(hào)的，以往的論文訓(xùn)練時(shí)一般直接選了第一個(gè)answer或者隨機(jī)選一個(gè)answer的start和end位置作為監(jiān)督信號(hào)。

圖11 多個(gè)answer位置舉例

如圖12所示，論文A Discrete Hard EM Approach for Weakly Supervised Question Answering提出了一種Hard EM算法幫助模型在訓(xùn)練的時(shí)候選擇最合適的answer作為。

筆者這樣理解：

1、 假設(shè)一個(gè)passage在多個(gè)位置包含了question的答案，那么在訓(xùn)練初期，先鼓勵(lì)模型選擇預(yù)測(cè)概率最大（最大概率與Question和Document有關(guān)）的answer位置作為監(jiān)督信號(hào)。

2、訓(xùn)練一定steps之后，改為Hard EM算法（最大概率與Question、Document一個(gè)記一個(gè)可學(xué)習(xí)的參數(shù)C有關(guān)）選擇概率最大的answer 位置作為監(jiān)督信號(hào)。學(xué)習(xí)reader模型的時(shí)候同時(shí)學(xué)習(xí)了選擇answer位置有關(guān)的參數(shù)C。

代碼基于Huggingface的transformers實(shí)現(xiàn)，還是很好看懂的。

圖12Hard EM學(xué)習(xí)過程

總結(jié)

本文主要包含了以下內(nèi)容：

開放領(lǐng)域問答的基本背景，開放領(lǐng)域問答系統(tǒng)簡(jiǎn)化后的二階段問答系統(tǒng)介紹。

原文標(biāo)題：【問答】總結(jié)｜開放領(lǐng)域問答梳理系列(1)

文章出處：【微信公眾號(hào)：深度學(xué)習(xí)自然語言處理】歡迎添加關(guān)注！文章轉(zhuǎn)載請(qǐng)注明出處。

責(zé)任編輯：haq