课程向：深度学习与人类语言处理 ——李宏毅，2020 (P30)

Question Answering

李宏毅老师2020新课深度学习与人类语言处理课程主页：
http://speech.ee.ntu.edu.tw/~tlkagk/courses_DLHLP20.html
视频链接地址：
https://www.bilibili.com/video/BV1RE411g7rQ
图片均截自课程PPT、且已得到李宏毅老师的许可:)

考虑到部分英文术语的不易理解性，因此笔记尽可能在标题后加中文辅助理解，虽然这样看起来会乱一些，但更好读者理解，以及文章内部较少使用英文术语或者即使用英文也会加中文注释，望见谅

---

前言

在上篇中的上半篇P29中，我们学习到在语音方面前沿的AALBERT的有关内容。

而在本篇P30和下一篇P31中，我们将进入Question Answering QA问题的学习，本篇将介绍QA中Question 答案和 Source 来源的种种，下一篇将是有关问题的部分。

I Answer QA任务中的答案

1.1 Substance 基本内容

Question、Source & Answer

对于 QA 任务，有两个输入：Question 问题和 Source 来源，输出为根据所给文章可得到问题的 Answer 答案。

在此，Question 问题 有这样几种：

1. 有标准答案的简单客观问题，如“谁是现任美国总统？”，答案就是特朗普，这样的问题与答案是不存在任何争议的。
2. 多来源的问题，如“特朗普年龄比奥巴马大吗？”，这个答案就需要机器先在某篇文章中找到特朗普的年龄，再可能从其他文章中找出奥巴马的年龄，要通过不同来源才能得到答案。
3. 没有标准答案的问题，如“约会时谁应该付钱，为什么？”，情感问题可能真的没有答案。

有关感情的问题，我一律建议分手！

而有关答案的 Source 来源可以是很多种：如文章、网络、语音、视频等。

对于问题和来源都要经过一定的预处理，如通过BERT转成词向量嵌入等，且对于问题和来源得到的向量后可能还会通过Attention机制。接下来，通过一个寻找答案的模块输入预处理后的问题和来源，输出答案，而对于Answer 答案而言，有以下几种：

1. word：词汇
2. span in source：文中片段
3. correct choice：选项
4. paragraph：一整段话

以下，我们将通过各种答案的类型进行QA任务的学习，

1.2 Word 答案为词汇

最简单的答案形式就是输出一个词汇，在QA领域，类似图像中的MNIST数据集一样，bAbI是最早最经典的QA数据集。它有20种不同的类别，具体数据可参见上图，像这样的QA其实已经是很简单的了，不过在2015年当年是被认为通过20个任务来测试机器的语言理解能力。当然，今天深度学习方法已经能达到95%以上的正确率了。那怎么做呢？

扫描二维码关注公众号，回复： 11838396 查看本文章

对于模型而言，简单来讲，这就是一个多分类问题，将所有可能的答案作为一个个类别。Answer模块就是一个多分类器。bAbI就是这么解的。当然，在此也可看出这其实并不是真正的理解语言，只是寻找pattern规律而已。

1.3 Choice 答案为选项

另外一种类型的问题是选择题，在选择题中根据文章、问题来选择出正确的那个选项。对于模型而言，除了Source 来源、Question 问题的预处理外，还需要Choice 选项的预处理。接下来，这三个部分也可能互相都要使用Attention机制，再丢给最终寻找答案的模块。

此时，有两种解法，第一种是将每一个选项一一与文章和问题进行判断，输出Yes/No，二分类问题。第二种是直接把所有选项与文章和问题进行判断，输出正确的选项，这就又变成了一个多分类的问题。但如果当成多分类的问题的话，可能会遇到这样的情况，不同问题有不同个数个选项，也就是说多分类时，类别数目会发生变化，这样很不容易处理，因此当成二分类问题是稳定、有弹性的解法。

1.4 Span 答案为文中片段

第三种类型的答案是所给文章中的某一连续片段，如SQuAD和DRCD。SQuAD就是从输入的文章里找其中一段，也就是基于抽取式的QA，这是英文中比较具有代表性的。对于中文，DRCD是比较著名的，仿照SQuAD。

解法如上图，输入Source 文章，模型要给文章中每个token一个作为起始的分数，和一个作为结尾的分数。接下来，选出其中起始分数最大的token和结尾分数最大的token，答案也就是从起始到结尾token间的这一段，如上图的$w_3,w_4,w_5$

那怎么产生起始和结尾的分数呢？

Source 来源同样是将其中每个token做词向量嵌入。而对于Question 问题则是产生两个向量，一个代表start，另一个代表end。然后，将Source 来源的每个词向量分别和这两个向量去算一下它们的某种相似度，可以是点乘，将这个相似度当作是起始和结束的分数即可。

1.5 Paragraph 答案为一整段话

最后一种也是最复杂的，答案是没有任何限制的。有代表性的数据集，对于英文来说有MS MARCO，中文有DuReader。

在 MS MARCO 英文数据集中，问题有几种类型，答案就有几种类型。如第一种，答案在文章中找不到，但答案中的每个词汇是出现在文中各个部分的，所以像刚刚讲述Span 文中片段的解法便不再适用。第二种，答案的词汇一部分出现在文章里，一部分出现在问题里。第三种，答案的关键词出现在文章里。第四种，答案没有出现在文章的任何地方，这种问题一般也是以Yes/No为答案。

那对于这些不同类型的问题和答案，该怎么解呢？一个直觉的想法就是seq2seq，比较有代表性的便是S-net，如下图。

1.6 No Answer 无答案

上述讲了好几种QA的形态，但还有一种特殊的状况需要我们考虑，因为并不是所有问题都有答案，如悖论。

所以该怎么让机器遇到不该回答的问题，选择不回答呢？有这样一个著名的数据集，SQuAD 2.0，就是测验机器不回答的能力，在这个数据集中有很多假的问题。举个例子，如问题是“1937年哪一个条约被签订”，而在文章中只提到了“1937年签订了一个条约，1940又签订了一个叫XXX的条约”，如果模型一般，便会拿取同一个句中的XXX条约名当作问题的答案，但其实这个问题的答案根本在文中没有出现。

那我们怎么让机器做到这件事情呢？

其实，在最原始的BERT里就有试着解这个问题了，在文章里面加入一个特别的token “Null”。接下来就和抽取式QA一样，根据问题和文章给文中每一个token一个作为起始和终止的分数，如果最后“Null”起始的分数和终止的分数都是最大的，那么“Null”便是指这个问题没有答案。在BERT中[CLS]就是当作Null的token了。

但其实在实作中，还需要加很多条件。举例来说，我们在训练时很难得到Null作为起始和终止的分数都最高的状况，所以一般只要Null的起始和终止都超过某一个阈值分数就作为答案，这个阈值分数就作为超参数调节。

当然，还有很多其他的做法，如上图下侧，举例来说，一种直觉的做法是我们另外加一个module 模块，来决定这个问题能不能被回答，这个module 模块会通过文章和问题来判断问题能否被回答，二分类问题。

还有另外一种方法，如上图上侧，这种方法还考虑了答案，也许模型能够给出荒谬的答案，这个答案和问题不匹配。这样来判断问题能否被回答。

II Source QA任务中的来源

2.1 Internet 来源为文字资料

最常见的是根据一篇文章找出其中的答案，但是这个设置有些不切实际，看一篇文中找答案是比较简单的。所以真正使用QA的情况可能是这样的，如上图，我们有这样的问题Q，但我们不是从某一篇文章中找答案，而是从整个网络中找，因此整个网络资料都是我们的来源。

如在DrQA中将维基百科当作来源，所以我们现需要一个搜寻的module 模块，找出有可能包含答案和问题比较相关的文章。然后根据这些相关的文章和问题来决定答案。在刚刚讲到的MS MARCO 和 DuReader数据集也是如此设置的，每一个问题都提供了数篇文章，要从这些文章找出正确答案。

那这些相关文章从哪里来呢？用一个搜索引擎搜索问题，将前十篇文章拿出来作为相关文章即可。但这样也会遇到一个问题，搜索引擎搜到的文章不是都有正确答案的，所以对QA模型要先判断能否从现在的文章中得到正确答案，而怎么滤掉哪些不相关的文章也是一个值得研究的问题。

举例来说，有这样一个模型，V-Net根据输入的问题和多篇文章得到多个答案$A_1,A_2,...,A_n$，而选择哪一个作为最终答案，在V-Net中的方法是投票的方式，如十篇文章中八篇都得到了一样的答案，那么这个答案就作为我们的最终答案输出。

2.2 Visual 来源为图片

除了文字，还有其他可能的类型当作来源，如上图的图片作为来源。而比较常见的解法就是把一张图片丢到CNN里面，CNN就会给图片的每一小块一个向量表示，所以一张图片也是表示成一堆向量。类似于一篇文章输给BERT后得到的就是一堆embedding词向量的序列。接下来用到QA的方法和文字一样。

2.3 Audio 来源为语音

其实声音也包含了十分丰富的资讯，那怎么做语音的QA呢？最简单的方法是先做语音辨识，把声音讯号转成对应文字，然后通过文字版QA解决。

在还没有SQuAD时，当年在老师实验室，便通过大量托福听力测验的考古题来训练了一个模型，根据语音和问题进行选择。在出现文字版SQuAD后，实验室便创造了语音版的SQuAD。

那在解决语音QA时，通常会用到语音辨识，但语音辨识的结果可能并不准确。因此有这样的前沿研究，如上图左侧，也许对于语音QA，并不需要读文字，而是使用 Subword Units 子词单位 ，比如说以中文为例，“chengshi”的发音可能被辨识为“城市或程式”，如果以字为单位，那这两种结果是完全不一样的。但是如果以重音符号为分割，将整段声音经此拆分为多个子词单位，这样语音QA效果更好。

另外一个技术是使用对抗学习的方法，如上图右侧，语音QA的数据比较少，但文字的QA数据很多，对于文字QA是没有语音辨识的错误问题的，因此我们期待可以通过对抗学习的方法用文字QA来辅助语音QA的训练。

但更进一步，我们真的需要语音辨识吗？有没有可能跳过语音辨识，做一个端到端的语音QA，SpeechBERT便是如此，“硬train一发”。当然，这样做得到的正确率是差于做语音辨识的语音版QA的。但这两种是可以互补使用的，在语音辨识部分效果差的语音QA便通过这种端到端的方法解决，语音辨识部分效果好的依旧是文字版QA。

2.4 Movie 来源为多种

刚刚上述讲的来源都是来自同一种类型的，那有没有可能从多个来源来训练QA呢？

有这样一种Movie QA，它的来源有影像（图片）、字幕（文字）、音频（声音）。回答一个问题是来自这三种资讯的，不过后来比赛发现文字资讯太强了，影像和音频几乎没有帮助。

本篇介绍了QA中答案和来源的内容，下一篇将是有关问题的部分。