RI-Net:通过结构化知识提炼和基于图形路径的推理来提高机器阅读理解 摘要 机器阅读理解(MRC)是NLP中一项具有挑战性的任务,它要求机器根据给定的段落准确回答问题。 传统的基于神经的端到端模型已经取得了巨大的成功,但是,仍然很难在长文本上以复杂的内部逻辑知识胜过人类。 为了缓解这个问题,我们提出了RI-Net,它由结构知识\ textbf {R}的定义和基于图形路径的\ textbf {I} nference组成。 具体来说,我们引入一种流水线方法来完善内部结构知识,其中包含实体提及,参照解析和实体关系。 在这种情况下,可以将段落转换为明确的知识图。 然后,我们将问题和段落的每个标记与知识图的节点对齐,并使用深度Transformer基于图形路径表示来计算注意力相关性。 我们相信,这将结合内部知识和原始文本的优点,以实现更好的MRC。 为了验证其有效性,我们对广泛使用的SQuAD2.