石 航,刘瑞芳,刘欣瑜,陈泓宇

(北京邮电大学 人工智能学院，北京 100876)

0 引言

问题生成(Question Generation, QG)是指对给定的一段文本，生成一个合理的问题。问题生成的一个潜在应用在教育领域[1]。也可以在问答系统和聊天机器人，例如，Siri、Alexa、Cortana、小爱、小度等中帮助它们启动对话和继续对话[2]。在问答系统(Question Answering, QA)领域，Zhu等[3]利用问题生成系统自动生成大量的问题答案对来提升机器阅读理解系统的F1值。Sultan等[4]阐述问题生成的多样性对QA的重要性。

目前，学者们对问题生成任务已经展开了大量的研究，主要分为基于规则的问题生成、基于深度神经网络的问题生成以及基于预训练语义模型的问题生成。

基于规则的问题生成，例如，Heilman等[5]和Mannem等[6]使用严格的启发式规则或基于模板的方法。但是，这些方法严重依赖于人工生成规则，不易被其他领域采用，有时生成的句子也不如人类表达那样流畅。近年来，一种基于序列到序列框架的端到端的神经网络在问题生成任务中被普遍采用。其中编码器将带有语义特征(例如，命名实体识别(Named Entity Recognition, NER)标签)的文章或句子进行编码，解码器利用编码器生成的语义表示生成问题。Du等[7]使用一个或两个包含答案的句子作为问题生成模型的输入，而Zhao等[8]使用整篇文章作为编码器的输入。谭红叶等[9]使用答案及其上下文信息进行问题生成。不管输入是一两个句子还是整篇文章，都只能捕获到一个层次和答案相关的信息，从而导致生成非理想的问题。Jia等[10]将释义知识整合到问题生成中生成问题。……