Großangelegte einfache Fragenbeantwortung mit Memory Networks

Das Training groß angelegter Fragenbeantwortungssysteme ist kompliziert, da Trainingsquellen in der Regel nur einen kleinen Ausschnitt des möglichen Fragebereichs abdecken. Dieses Papier untersucht den Einfluss von Multitask- und Transferlernen auf die einfache Fragenbeantwortung; ein Szenario, bei dem das für die Antwort erforderliche Schlussfolgern recht einfach ist, solange man die korrekten Beweise zur Fragestellung abrufen kann, was unter groß angelegten Bedingungen schwierig sein kann. Zu diesem Zweck führen wir einen neuen Datensatz mit 100.000 Fragen ein, den wir zusammen mit bestehenden Benchmarks verwenden. Wir führen unsere Studie im Rahmen der Memory Networks (Weston et al., 2015) durch, da diese Perspektive es uns ermöglicht, letztlich zu komplexeren Schlussfolgerungen zu skalieren, und zeigen, dass Memory Networks erfolgreich trainiert werden können, um ausgezeichnete Leistungen zu erzielen.