通过搜索引擎我们可以轻松获取到海量的知识，可我们通常不会觉得一台电脑“知识渊博”——计算机并不理解这些知识，只能给你一系列相匹配的检索结果。在我们眼中，计算机更像是一座高级的图书馆，而不是一位能理解你所想所问的博学之士。
好消息是这一点正在逐渐改善。机器阅读理解，一项致力于教会机器阅读人类的语言并理解其内涵的研究，作为目前自然语言处理领域中的热门方向受到了广泛关注。与传统的问答系统不同的是，阅读理解任务更注重于对于篇章文本的理解，机器必须自己从篇章中学习到相关信息，而不是利用预设好的世界知识、常识来回答问题，所以更具有挑战性。目前 Google DeepMind、Facebook AI Lab、IBM Watson、微软、斯坦福大学（Stanford）、卡内基梅隆大学（CMU）等知名研究机构都都纷纷投入到相关研究当中。
训练机器去阅读理解人类语言的方法，和训练人类阅读外语的方法有很多相似之处，其中一个重要的手段就是填空型阅读理解。机器会看到一段文本片段，并需要回答若干问题，问题的答案就出现在这段文本当中。例如：
我们在做这样的阅读题的时候常常会发现，一口气读完文章然后仅凭着对文章的印象答题可不是一个好做法，通常需要在看了问题之后再回到文章特定的地方找答案。对机器来说也是这样，目前的大多数模型都有一个注意力机制，在看了不同的问题之后，模型会把注意力放在篇章的不同部分，从而得到更精准的答案。
来自哈工大讯飞联合实验室（HFL）的崔一鸣、陈致鹏、魏思、王士进、刘挺老师和胡国平把问题想得更深了一步。他们发现此前的研究都只把问题看作一个整体，或者只考虑了问题对篇章的影响，没有仔细考虑篇章对问题的影响，而模型实际上可以利用更多的篇章-问题之间的交互信息。他们设计了新的层叠式注意力（Attention-over-Attention），对问题进行了更细致的拆解，而不是简单将其看做成一个整体，把阅读理解的研究提高到了一个全新的水平。他们的论文 Attention-over-Attention Neural Networks for Reading Comprehension 发表在了 2017 年的计算语言学会（ACL2017）上。
论文的作者崔一鸣高兴地向我们介绍，“相比于前人工作，本文提出的模型结构相对简单且不需要设置额外的手工超参数，并且模型中的某些结构具有一定的通用性，可应用在其他相关的任务当中。实验结果表明，在公开数据集 CNN、CBT-NE/CN 数据集上，我们的模型显著优于其他基线模型，并且达到了 state-of-the-art（当前最先进）的效果。”
那么这个“层叠式注意力”究竟是怎么回事呢？崔一鸣举了一个简单的例子。假设我们遇到了一个填空题，“Tom loves ___.”，模型会做以下几步：
1. 将篇章及问题通过词向量映射以及循环神经网络（RNN）的建模，得到包含上下文信息的文本表示；
2. 对篇章和问题中的每个词两两计算“匹配度”；
3. 根据匹配度计算出每个问题词的相关程度，即对于这篇文章来说，问题中的关键词是什么（表中第一行）；
4. 对问题中的每个词计算篇章中可能的候选（表中第二行，这里节选了三个候选词：Mary、him、beside）
鉴于不同问题词的贡献不同，求得他们的加权得分再合并，得到每个候选词的最终得分，从而找出适合填入空缺中的词（表中第四行）。
崔一鸣进一步解释道，“如果我们将问题看做一个整体，只计算一次 attention 的话，答错的几率就会大一些，通过将问题拆解，并赋予不同权重则会将风险分摊到每个词上，从整体上降低答错的概率。”在上面的例子中，如果不考虑每个问题词的相关度，直接对候选词的得分求平均，就会得出“Tom loves him.”这样的错误答案。选择“him”虽然同样符合语法，但结合篇章可以看出填入 Mary 更合理。
▲ Attention-over-Attention Neural Network 的模型结构图
谈到后续工作和阅读理解未来的发展，崔一鸣也与我们分享了一些看法：
“尽管近一两年来机器阅读理解的研究突飞猛进，相关神经网络模型层出不穷，但对于机器阅读理解的终极目标来说，现在还只是万里长征的开始。根据我们对目前的阅读理解数据集的详细分析，在这些公开数据集中的大多数问题都属于单句推理的问题，即回答问题只需找到文中的一个关键句即可。如何能够从错综复杂的线索以及前因后果中找到问题的答案，这对于目前的阅读理解技术来说还是相对困难的。相比于机器，人类的一大优势是能够通过多个线索来推理得到问题的答案，这是目前机器阅读理解非常薄弱的地方。如果我们真的希望机器能够‘能听会说，能理解会思考’，那么对文本的更深层次的归纳、总结、推理是未来机器阅读理解不可缺少的一部分，也是今后这项研究必须攻克的难关。不过我们相信随着阅读理解研究的逐步推进，这个问题会逐步得到改进。”
来源：paperweekly
原文链接
