摘要

对话式机器理解需要对会话历史（如之前的问答对）、文档上下文以及当前问题进行理解。为了使传统的单轮模型能够全面编码会话历史，我们引入了一种称为Flow的机制，该机制通过交替并行处理结构，可以整合在回答先前问题过程中生成的中间表示。与将之前的问答对作为输入进行拼接的方法相比，Flow能够更深入地融合会话历史的潜在语义。我们的模型FlowQA在两个最近提出的对话挑战中表现出色（CoQA上的F1分数提高了7.2%，QuAC上的F1分数提高了4.0%）。Flow的有效性也在其他任务中得到了体现。通过将顺序指令理解简化为对话式机器理解，FlowQA在SCONE的所有三个领域中均超过了最佳模型，准确率提高了1.8%至4.4%。