मैच-LSTM और उत्तर पॉइंटर का उपयोग करके मशीन समझ

पाठ की मशीन समझ प्राकृतिक भाषा प्रसंस्करण में एक महत्वपूर्ण समस्या है। हाल ही में जारी किया गया डेटासेट, स्टैनफोर्ड प्रश्न उत्तर डेटासेट (SQuAD), मानवों द्वारा भीड़-स्रोत के माध्यम से बनाए गए वास्तविक प्रश्नों और उनके उत्तरों की एक बड़ी संख्या प्रदान करता है। SQuAD मशीन समझ एल्गोरिदम का मूल्यांकन करने के लिए एक चुनौतीपूर्ण परीक्षण आधार प्रदान करता है, आंशिक रूप से क्योंकि पिछले डेटासेट की तुलना में, SQuAD में उत्तर एक छोटे सेट के प्रत्याशित उत्तरों से नहीं आते हैं और उनके पास भिन्न लंबाइयां होती हैं। हम इस कार्य के लिए एक अंत-से-अंत न्यूरल आर्किटेक्चर का प्रस्ताव करते हैं। यह आर्किटेक्चर मैच-LSTM पर आधारित है, जो एक मॉडल है जिसे हमने पहले पाठ संबंधी सार्थकता के लिए प्रस्तावित किया था, और पॉइंटर नेट, एक अनुक्रम-से-अनुक्रम मॉडल जिसे विन्याल्स एट अल.(2015) द्वारा प्रस्तावित किया गया था ताकि आउटपुट टोकन को इनपुट अनुक्रमों से जोड़ा जा सके। हम अपने कार्य के लिए पॉइंटर नेट का उपयोग करने के दो तरीके प्रस्तावित करते हैं। हमारे प्रयोग दिखाते हैं कि हमारे दोनों मॉडलों ने राजपुरकर एट अल.(2016) द्वारा प्राप्त सर्वश्रेष्ठ परिणामों को काफी बेहतर किया, जो लॉजिस्टिक प्रतिगमन और मैन्युअल रूप से बनाए गए विशेषताओं का उपयोग करते हैं।