基于多视角图卷积网络的多跳阅读理解模型

针对传统的机器阅读理解模型难以胜任从多篇文档中学习多跳实体间语义关系的多跳阅读理解任务,提出一种基于多视角的图卷积神经网络模型MV-GCN。受Inception启发,通过构建多通路的图卷积来拓宽网络,提高模型多视角学习多跳实体间语义相关性的表达能力。引入基于Squeeze-and-Excitation的多视角注意力机制实现前述多视角表达的有效融合。在Wiki Hop通用数据集上的实验结果表明,MV-GCN在多跳阅读理解任务上取得了很好的效果,其性能优于当前的主流方法,可为进一步研究提供借鉴。