作者：Xin Jia , Hao Wang , Dawei Yin , Yunfang Wu 

问题生成 (QG) 是生成自然和语法问题，这些问题可以通过给定上下文的特定答案来回答。以前的序列到序列模型存在一个问题，提出高质量的问题需要常识知识作为背景，而这在大多数情况下不能直接从训练数据中学习，导致不满意的问题剥夺了知识。

在本文中作者提出了一个多任务学习框架，将常识知识引入问题生成过程。作者首先从成熟的数据库中检索相关常识知识三元组，并选择具有从源上下文到问题的转换信息的三元组。基于这些信息性知识三元组，作者设计了两个辅助任务，将常识知识纳入主 QG 模型，其中一项任务是概念关系分类，另一项任务是尾概念生成。

SQuAD 上的实验结果表明，本文提出的方法能够显着提高自动和人类评估指标的 QG 性能，证明将外部常识知识与多任务学习相结合可以帮助模型生成类似人类的高质量问题。

 

下载地址：https://arxiv.org/pdf/2106.10454

 

内容中包含的图片若涉及版权问题，请及时与我们联系删除