孙 源,王 健,张益嘉,钱凌飞,林鸿飞

(大连理工大学 计算机科学与技术学院，辽宁 大连 116024)

0 引言

问答系统的构建一直都是自然语言处理领域中一个具有挑战性的任务，同时还在工业界有着广泛的应用(如智能助理，聊天机器人等)。答案选择[1]作为多数问答系统构建过程中的关键步骤，也一直受到广泛的关注。该问题可以定义为：给定一个问题及这个问题的候选答案，组成问题-答案对，计算问题-答案对的相关性评分，最终根据问题与其所有候选答案的相关性评分选择最适合该问题的答案。

长答案选择是答案选择任务的一个变种。如表1所示，不同于选择一个实体或单个句子的传统答案选择任务，长答案选择任务选择的通常是一段多句的长文本(如描述)。这种长答案通常出现在社区问答系统中，如在StackExchange学术论坛上的平均答案长度为229[2]。答案的文本长度和句子数量都有所增大的特点对当前的针对较短答案的答案选择神经网络模型提出了新的挑战。

表1 长答案选择(上)与传统答案选择(下)对比

大多数的答案选择问题是通过文本对匹配的方法解决的。该方法可以被分为两个主要步骤：①将问题序列和答案序列编码为相应的表示向量。②计算两个表示向量的相关性评分。早期研究者们使用卷积神经网络(convolutional neural network,CNN)、循环神经网络(recurrent neural networks,RNN)及其变种等深度学习模型提取序列的上下文或时序信息，接着用拼接、池化等操作获取整个序列的向量表示。然后使用余弦相似度、神经网络匹配等方法获取两个序列的相关性得分，最后通过得分对答案池中的答案排序，选择其中得分最高的答案[1,3]。……