摘要

多跳阅读理解专注于一类事实型问题，其中系统需要恰当地整合多个证据以正确回答问题。以往的研究通过局部共指信息近似全局证据，利用门控注意力阅读器中的有向无环图（DAG）风格的GRU层对共指链进行编码。然而，共指在提供丰富推理所需的信息方面存在局限性。我们提出了一种新的方法来更好地连接全局证据，该方法形成的图形比有向无环图更为复杂。为了在我们的图形上执行证据整合，我们研究了两种最近的图神经网络，即图卷积网络（GCN）和图递归网络（GRN）。在两个标准数据集上的实验表明，更丰富的全局信息能够带来更好的答案。我们的方法在这两个数据集上的表现优于所有已发表的结果。