学会提问的BERT：端到端地从篇章中构建问答对

机器阅读理解任务，相比不少读者都有所了解了，简单来说就是从给定篇章中寻找给定问题的答案，即“篇章 + 问题 → 答案”这样的流程，笔者之前也写过一些关于阅读理解的文章，比如 《基于CNN的阅读理解式问答模型：DGCNN》 等。至于问答对构建，则相当于是阅读理解的反任务，即“篇章 → 答案 + 问题”的流程，学术上一般直接叫“问题生成（Question Generation）”，因为大多数情况下，答案可以通过比较规则的随机选择，所以很多文章都只关心“篇章 + 答案 → 问题”这一步。

本文将带来一次全 端到端 的“ 篇章 → 答案 + 问题 ”实践，包括模型介绍以及基于 bert4keras 的实现代码，欢迎读者尝试。

本文的目标是完全端到端地实现“篇章 → 答案 + 问题”，包括答案的选取也是由模型自动完成，不需要人工规则。其实说起来也很简单，就是用“BERT + UniLM”的方式来构建一个Seq2Seq模型，如果读者还不了解UniLM，欢迎先阅读 《从语言模型到Seq2Seq：Transformer如戏，全靠Mask》 。

笔者之前在文章 《万能的seq2seq：基于seq2seq的阅读理解问答》 中也给出过通过Seq2Seq模型来做阅读理解的实现，即直接用Seq2Seq模型来构建$p\big(\text{答案[SEP]}\big|\text{[CLS]篇章[SEP]问题[SEP]}\big)$，图示如下：

用Seq2Seq的思路做阅读理解

事实上，在上述模型的基础上稍微改动一下，将问题也列入生成的目标之中，就可以实现问答对生成了，即模型变为$p\big(\text{问题[SEP]答案[SEP]}\big|\text{[CLS]篇章[SEP]}\big)$，如下图：

稍微修改一下，用来做问答对生成

但是，直觉上不难想到“篇章 → 答案”、“篇章 + 答案 → 问题”的难度应该是低于“篇章 + 问题 → 答案”的，所以我们将问题和答案的生成顺序调换一下，变为$p\big(\text{答案[SEP]问题[SEP]}\big|\text{[CLS]篇章[SEP]}\big)$，最终的效果会更好：

先生成答案，再生成问题，效果更好些

模型就介绍到这里了，其实也没什么好说的，就是确定好哪些是输入、哪些是输出，然后“BERT + UniLM”套上去就行了。下面是笔者的参考实现：

task_question_answer_generation_by_seq2seq.py

这里值得讨论的是解码的思路。一般的Seq2Seq模型，解码到一个[SEP]就结束了，而本文的模型需要解码到两个[SEP]才能结束，截止到第一个[SEP]的是答案，而两个[SEP]之间的则是问题。理论上来说，从给定篇章中我们可以构建很多问答对，换句话说目标不是唯一的，所以我们不能用Beam Search之类的确定性解码算法，而是要用随机解码算法（相关概念可以参考 《如何应对Seq2Seq中的“根本停不下来”问题？》 中的“解码算法”一节）。

但问题是，如果完全使用随机解码算法，那么生成的问题会过于“天马行空”，也就是可能会出现一些跟篇章无关的内容，比如篇章是“我国火星探测器天问一号发生成功”，生成的问题可能是“我国第一课人造卫星是什么”，虽然相关，但是过于发散了。所以，这里建议使用一个折中的策略：用随机解码来生成答案，然后用确定性解码来生成问题，这样能尽量保证问题的可靠性。另外，读者还需要注意的是，上述参考脚本中并没有对答案进行约束，那么生成的答案可能并不是篇章中的片段。毕竟这只是个参考实现，离实用还有一定距离，请有兴趣的读者根据自己的需求自行理解和修改代码。

最后，由于问答对构建已经完全变成了一个Seq2Seq问题，所以用来提升Seq2Seq性能的技巧都可以用来提高问答对的生成质量，比如之前讨论过的 《Seq2Seq中Exposure Bias现象的浅析与对策》 ，这些都交给读者自己尝试了。

本文是一次端到端的问答对生成实践，主要是基于“BERT + UniLM”的Seq2Seq模型来直接由篇章生成答案和问题，并讨论了关于解码的策略。总的来讲，本文的模型没有什么特殊之处，但是因为借助了BERT的预训练权重，最终生成的问答对质量颇有可圈可点之处。

转载到请包括本文地址： https://kexue.fm/archives/7630

更详细的转载事宜请参考： 《科学空间FAQ》