1 简介
论文题目：DCMN+: Dual Co-Matching Network for Multi-choice Reading Comprehension
论文来源：AAAI 2020
论文链接：https://arxiv.org/pdf/1908.11511.pdf
代码链接：https://github.com/Qzsl123/dcmn
1.1 动机
- 目前Multi-choice阅读理解的方法仅计算了question-aware passage表示，忽略了passage question-aware表示。
1.2 创新
-提出了一个双向匹配的模型，可以双向的建模{passage,question,answer}全部的成对关系。
2 方法
模型的整体框架如上图所示，主要分为下面几个部分：
- 上下文编码：使用bert对文本、问题、答案进行编码。
- 文本句子选择：该模块选择文本中关键句子(下面数据统计大部分问题的答案在两个句子内)，基于Cosine score(左边式子)和Bilinear score对句子打分，选择top K个句子。
|
|
- 答案选项交互：此模块建模答案的选项间的交互信息，首先计算选项间的交互表示，然后使用门控机制融合交互表示，公式如下：
- 双向匹配：该模块完全建模{文本，问题，答案}三元组之间的关系，使用双向建立全部成对的表示，下面公式展示为建模问题和答案之间的关系(其余两组关系也类似)：
|
|
模型的目标函数的公式如下：
3 实验
实验数据集为RACE、SemEval-2018 Task11、ROCStories、MCTest、COIN Task 1，统计数据如下。
在RACE数据集的实验结果如下：
消融实验结果：
在各个数据集上的实验效果：
和单向方法的比较结果：
选择句子时不同打分方法的实验效果：
在RACE和COIN的数据集选择不同的句子数量的对比实验：
和以前使用bert的方法比较的实验结果：
不同问题类型的实验效果：
