微软发布SynNet, 迁移学习&无监督学习, 完美应用于机器阅读

AI科技评论按：微软研究院对MRC领域迁移进行了首次尝试。他们最新提出的SynNet模型能在一个新的领域获得更准确的结果，而不需要额外的训练数据，并且网络性能接近全监督MRC系统。

对人类来说，阅读理解是每天都在进行的基本任务。早在小学的时候，我们就能在阅读文章后，回答与文章的中心思想和细节相关的问题。

但对AI来说，完美的进行阅读理解仍然是一个难以实现的目标，但如果我们要评估和实现通用人工智能，就必须让AI达成这个目标。

实际上，许多现实生活中的场景，包括客户服务、建议、问答、对话和客户关系管理，都需要用到阅读理解。如果AI能完美的进行阅读理解，它将在一些情况下有惊人的潜能，比如在成千上万的文件中，迅速帮助医生找到重要的信息，让他们把时间用在更有价值的、可能会挽救生命的工作上。

因此，构建出能够进行机器阅读理解(MRC)的机器很有意义。比如在执行搜索请求时，机器理解将给出一个准确的答案，而不是抛给你一个网址，你需要点开之后在冗长的网页中找到答案。此外，机器理解模型能够理解狭窄和特定领域的文章中的知识，在那些领域中，支撑算法的搜索数据很少。

微软专注于机器阅读，目前正引领着该领域的竞争。微软的多个项目，包括用于机器理解的深度学习项目，也把目光投向了MRC。尽管取得了很大的进展，但微软还是忽视了一个关键问题，这个问题直到最近才被注意：怎样针对一个新的领域构建MRC系统？

最近，微软AI研究院的Po-Sen Huang、Xiaodong He等多名研究员和来自斯坦福大学的实习生David Golub针对这个问题开发了一种迁移学习算法。他们将在2017年的顶尖自然语言处理会议——EMNLP上介绍这种算法。这是开发出可扩展解决方案的关键步骤，可以将MRC扩展到更广泛的领域。

微软在朝着更大的目标在迈进，这种算法是他们取得进步的一个例子。他们想要用更复杂和微妙的能力来创造技术。

Rangan Majumder 在机器阅读博客上说过：“我们的目的不是建立一堆解决理论问题的算法，我们正在用这些算法解决实际问题，在实际的数据上测试他们。”

目前，大多数最先进的机器阅读系统都是建立在监督训练数据的基础之上，这些模型已经在样例上进行过端到端的训练。训练样例不仅包括文章，还包括与文章相关的手动标签的问题和问题相应的答案。

通过这些示例，基于深度学习的MRC模型学会理解问题并从文章中推断出答案，这包括多个论证和推理步骤。

然而，对于许多领域或行业而言，这种监督训练数据并不存在。例如，如果要建立一个新的机器阅读系统，来帮助医生找到与新疾病相关的重要信息，问题是：可能会有很多可用的文档，但是我们缺少与文档相关的手动标签的问题以及问题相应的答案。

这一挑战正在变大，因为我们需要为每种疾病建立一个独立的MRC系统，此外文献的数量正在急剧增加。因此，至关重要的是，要弄清楚如何让一个领域的MRC系统在另一个领域也能适用。在后面那个新的领域中，没有手动标签的问题，也没有问题相应的答案，但是有大量的文档。

微软的研究人员开发了一种新的模型——两级综合网络（SynNet），可以用来解决上面的问题。在这种方法中，基于一个领域中的监督数据，SynNet首先学会一种通用模式，这种通用模式能识别文章中可能的关注点。这些关注点指的是关键知识点、命名实体或语义概念，通常是人们可能会问到的问题的答案。然后，在第二级，模型会学着根据文章内容，围绕可能的答案，形成自然语言问题。

训练好的SynNet可以应用于新的领域。它可以在新的领域中阅读文档，针对这些文档生成伪问题和答案。然后，针对那个新的领域，生成必要的训练数据来训练MRC系统。这个新的领域可能是一种新的疾病，一本新公司的员工手册，或是一份新的产品手册。

产生合成数据来对不足的训练数据进行补充，这种想法在以前就有过研究。例如，针对于翻译任务，Rico Sennrich和他的同事们在一篇论文中提出了一种方法：根据真实的句子生成新的句子，用来完善已有的机器翻译系统。然而，与机器翻译不同的是，对于像MRC这样的任务，一篇文章需要既生成问题，又生成答案。此外，即使问题在语法上是流利的自然语句，答案通常是段落中某个突出的语义概念，例如一个命名实体、一段情节或是一个数字。由于答案与问题有不同的语言结构，因此将他们视为两种不同类型的数据可能更合适。

微软的新方法将产生问题-答案对的过程分成两步:先通过段落来生成答案，再通过段落和生成的答案，来生成问题。因为答案通常是关键的语义概念，所以会先生成答案。问题可以被看作组合起来的完整句子，用来询问前面的概念。

图：训练好的SynNet可以用于合成关于给定段落的答案和问题。模型的第一级是回答合成模块，使用双向长短时记忆网络(LSTM)来预测关于输入段落的输入、输出和开始(IOB)标签，这些标签标记出可能为答案的关键语义概念。第二级是问题合成模块，使用单向长短时记忆网络（LSTM）来生成问题，也生成段落中的嵌入词和IOB ID。段落中的多个span标签会被识别为可能的答案，但在生成问题时，他们只选择一个span标签。

两个从文章中生成问题和答案的例子，如下图所示：

使用SynNet后，能在一个新的领域获得更准确的结果，而不需要额外的训练数据，并且网络性能接近全监督MRC系统。

SynNet就像一名教师，根据她在以前的领域中学到的经验，从新的领域的文章中创造出问题和答案，并利用她的这些创造来教学生在新的领域中进行阅读理解。相应的，微软的研究人员也开发了一组神经机器阅读模型，包括最近开发的很有潜力的ReasoNet模型，这些模型就像是从教学资料中学习的学生，可以根据文章来回答问题。

据微软所知，这是进行MRC领域迁移的首次尝试。他们期待着开发可扩展的解决方案，快速扩展MRC的能力，进而释放出机器阅读颠覆性的潜力！

AI科技评论编译。

via：Microsoft Research Blog