邓超宇，赵 山，肖晓强，蔡志平

(国防科技大学 计算机学院 湖南 长沙 410073)

0 引言

基于文档的自动问答(document-based question-answering，DBQA)，也称机器阅读理解(machine reading comprehension, MRC)，是自然语言处理领域一项十分重要的任务。机器阅读理解旨在让机器能像人类一样阅读文章和理解其中的具体含义，并据此回答指定的相关问题，以自然语言的形式给出答案[1]。早期因受数据集限制，机器阅读理解一直被视为一种很困难的任务而没有得到太大的发展。2013年左右，由于机器学习技术的迅速发展，出现了一批以MCTest[2]为代表的监督数据集，许多机器学习模型也由此诞生。但是，一方面这些模型十分依赖基于规则手工构造的特征，另一方面数据集本身规模不够庞大，因此训练结果不佳且模型泛化能力较差。随着深度学习技术的不断成熟以及硬件技术进步带来的算力提升，机器阅读理解技术在2015年出现了实质性的突破进展。从2015年开始，机器阅读理解的子任务体系逐步确立，针对各种特定任务的高质量数据集也不断涌现。

目前，机器阅读理解一般被划分为以下四个子任务。① 完形填空。该类任务会从文章中挖去部分词汇，通过训练模型去填补这些空缺。此任务相关数据集有CNN/Daily Mail[3]，是从新闻报道中选取的文章。② 多项选择。给定一篇文章，提供相关问题并给出几个候选答案，让机器从中选择正确答案。此任务相关数据集有RACE[4]，文章与问题从中学生英语考试阅读理解题目中选取。③ 片段抽取。给定背景文章，提供相关问题，要求从文章中抽取连续的词汇序列作为答案。……