一种用于时间敏感问题回答的、基于上下文增强的自适应图网络

《ACM Transactions on Asian and Low-Resource Language Information Processing》：A Context-enhanced Adaptive Graph Network for Time-sensitive Question Answering

时间敏感问答模型在长距离时间关联问题中性能显著下降。本文提出CoAG模型，通过时间感知的上下文模块提取与问题时间相关的上下文片段，设计自适应信息传递机制捕捉句子间差异，结合混合文本编码器增强关键信息。实验表明CoAG在5个基准测试中显著优于现有模型，尤其在TimeQA-Hard数据集上EM得分提升2.03%-6.04%。

　　

摘要

时间敏感型问题回答是指根据给定的长文档来回答仅限于特定时间戳的问题，该文档中包含了大量带有明确或隐含时间戳的时间事件。尽管现有模型在回答时间敏感型问题方面取得了显著进展，但当正确答案与问题中提到的时间戳之间存在较大距离时，它们的性能会大幅下降。在本文中，我们提出了一种基于上下文增强的自适应图网络（CoAG），用于捕捉提取出的与问题相关的事件序列中句子之间的长距离依赖关系。具体而言，我们设计了一个时间感知的事件提取模块，该模块根据问题和文档中的时间戳来获取与问题相关的上下文。由于事件之间的关联可能会混淆具有相邻时间戳的句子，因此我们设计了一种自适应的消息传递机制来捕捉和传递句子之间的差异。此外，我们还提出了一种混合文本编码器，以基于全局信息突出显示与问题相关的上下文。实验结果表明，与最先进的模型相比，CoAG在五个基准测试任务上的表现有了显著提升。此外，我们的模型在解决长距离时间敏感型问题时具有明显优势，在TimeQA-Hard任务上的EM分数提高了2.03%至6.04%。