SQuAD：探索双向力流.pdfVIP

table{border‑collapse:collapse;}table,th,td{border:1pxsolid#000;}

关注SQuAD：探索双向注意力流

HeatherBlundell

斯坦福大学计算机科学系

hrblun

@

斯坦福大学符号

系统专业Lucy

Li

lucy3@

自动阅读理解，我们应用了一个带有双向注意力流（BiDAF）的神经网络到斯坦

福问答数据集（SQuAD），并使用单一模型达到了接近原的F1和完全匹配（EM）

分数。我们的测试F1得分为76.037，测试EM得分为66.663。我们的模型包括字符级

CNN嵌入、网络层、短语嵌入层、建模层和智能跨度选择。我们还探索了通过

特征工程和指针输出层扩展模型，但这些改进并未进一步提升我们最佳模型的表现。

我们分析了模型在不同上下文、问题和类别中的表现，并将基线注意力与BiDAF进行

了比较。

1引言

问答任务中的阅读理解是自然语言处理（NLP）的众多目标之一。实现这一任务的

法是向机器一个段落和一个问题对，机器从段落中选择某个片段作为。在这一任

务上表现良好通常需要在一个大型数据集上进行训练，而斯坦福问答数据集（SQuAD）