刘鑫

（武汉邮电科学研究院，湖北 武汉 430074）

机器阅读理解（Machine Reading Comprehension，MRC）的研究目标是让计算机读懂文章，并像人类一样回答与文章相关的问题[1]，在需要自动处理和分析大量文本内容的场景下，机器阅读理解都可以节省大量人力和时间，因此，机器阅读理解成为当前人工智能研究中最前沿、最热门的方向之一。该文以百度深度学习研究院（Baidu Research-Institute of Deep Learning，IDL）提出的神经递归序列标注（Neural Recurrent Sequence Labeling，NRSL）模型[2]作为基础模型，对开放域下事实类问答任务进行研究。

原模型通过LSTM+CRF[3]将MRC 转换为序列标注问题，但是面对一段材料多次出现答案的情况，CRF 的表现并不是很好，而且直接对材料中的词进行判断标注，未免对模型太过严苛。针对这些问题，文中采用字词混合Embedding 编码和半指针半标注解码的方式来改善、提升机器阅读理解任务的精度。

1 相关工作

MRC 旨在利用算法使计算机理解文章语义并回答相关问题，当前MRC 主要分成4 个任务：完形填空、单选、跨度提取、自由问答[4]，文中研究的是后两者，即抽取式问答。最近几年，由于深度学习的兴起[5]，众多优秀的机器阅读理解模型脱颖而出，这些模型在网络架构、模块设计、训练方法等方面实现了创新，大大提高了算法理解文本和问题的能力以及预测答案的准确性。

文献[2]提出的NRSL 模型，文献[4]提出的双向注意力流（Bi-Directional Attention Flow,BiDAF）模型[6]算得上中文机器阅读理解的开山之作，成为了之后众多MRC 模型参照的典范。之后的模型创新大多集中在网络结构的创新及优化，但是对模型的输入编码和输出解码模块优化也是有重要意义的，该文就是在研究前人模型的基础上，重点研究优化编码解码模块来提升模型的精度。……