针对机器问答中多跳问题的深度学习网络模型

多跳问答(multi-hop question answering, multi-hop QA)是文本问答的一项重要且具有挑战性的任务。针对现有方法在解决多跳问题时答案推理能力弱、答案寻找的准确率低等问题提出一种多跳问题的深度学习网络模型AGTNet(albert graph attention network,轻量双向编码图注意力网络)。首先在神经网络隐藏层使用参数共享和矩阵分解技术，然后使用点积计算方式进行答案预测，最后使用已标注的数据集对AGTNet模型进行训练验证。试验结果表明，本模型经过训练后在测试集上的F₁值达到70.4;与现有的多跳问答推理模型相比，本模型拥有较优的实体级推理能力，能够有效提高多跳问答推理能力，从而提升了问答系统的响应速度和准确率。本研究结果为问答系统和多轮对话机器人的研发提供了理论依据。