Co-Evolving Graph and Text Memory for Training-Free Multi-Hop Question Answering
本文介绍了 Co-E，一种无需训练的多跳问答系统，它采用同步双向工作记忆来动态整合并调和文本上下文与关系图谱证据，在六个基准测试中实现了与更大规模或经过训练的模型相媲美的性能。
原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。 阅读完整免责声明
想象一下，你正在试图解开一个巨大的、多层级的谜题，比如弄清楚一位著名电影明星的曾祖父是谁。为了做到这一点，你不能只问一个问题并得到一个答案。你必须进行一连串的提问：“这位明星的父亲是谁？”接着问“那位父亲的母亲是谁？”以此类推。这就是科学家们所说的“多跳问答”（multi-hop question answering）。
长期以来，计算机一直尝试使用两种主要的工具来解决这些谜题。第一种是庞大的文本库（比如互联网或巨大的书籍收藏），它非常擅长寻找以句子形式呈现的故事和事实。第二种是结构化的事实图谱（称为知识图谱），它就像一张巨大的家族谱系图或地铁线路图，一切都是通过清晰的线条连接在一起的。问题在于，这两种工具通常在各自独立的房间里工作。文本查找器阅读书籍，却忘记了地图；而地图阅读器观察着连接关系，却忽略了书中发现的新细节。这使得计算机很难解决那些需要将书中的故事与地图上的连接进行混合才能得出答案的复杂谜题。
于是有了 Co-E，这是一个由俄勒冈大学的研究员 Hieu Man 和 Thien Huu Nguyen 设计的新系统。把 Co-E 想象成一位超级聪明的侦探，他不仅分别带着笔记本和地图，还拥有一个每秒都在自我更新的神奇“工作记忆”。Co-E 不仅仅是先读一本书然后再看一眼地图，它在不断地在两者之间进行转换。如果它在书中的一句话里读到了一个新人物，它会立即将这个人画在它的地图上。如果它在地图上发现了一个连接，它会将这个连接写回笔记中，变成一个清晰的句子。这种“协同进化”的舞蹈不需要计算机进行重新训练或学习新课程；它只需利用现有的脑力，就能同时处理并协调这两类信息。
研究人员在六个不同的谜题集上测试了这位侦探，从复杂的维基百科谜题到复杂的数据库问题。他们发现，Co-E 在无需额外训练的情况下，解决这些谜题的能力极其出色。例如，在名为 2WikiMultiHopQA 的一项难题测试中，它获得了 72.6 分（使用精确匹配指标）；在另一项名为 Bamboogle 的测试中，它得分 70.0。在名为 CWQ 的数据库挑战中，它达到了 74.9（使用 Hits@1 指标）。这些成绩令人印象深刻，因为 Co-E 击败了其他使用类似规模计算大脑但缺乏这种特殊记忆技巧的系统，甚至能与那些经过大量训练、规模更大且更昂贵的系统相媲美。
其秘诀不仅仅在于拥有一个大脑袋，而在于系统如何管理其记忆。研究人员表明，如果停止让系统根据笔记更新其地图（或反之亦然），其性能会显著下降。事实证明，解决这些难题的关键在于保持文本和图谱同步，让它们在侦探逐步破解谜题的过程中，能够互相纠正错误并填补空白。这表明，为了让计算机变得更聪明，它们需要停止将文本和结构化事实视为两个独立的世界，而是要让它们开始实时地进行对话。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。