摘要

在自然语言中推断空间关系是智能系统应具备的一项关键能力。bAbI数据集试图捕捉与此领域相关的任务（任务17和任务19），但这些任务存在若干局限性：首先，它们仅限于固定的表达形式；其次，解决问题所需的推理步骤数量有限；最后，这些任务无法有效检验模型在面对包含无关或冗余信息输入时的鲁棒性。为此，本文提出一个名为StepGame的新问答数据集，旨在实现文本中鲁棒的多跳空间推理。实验结果表明，当前在bAbI数据集上表现最优的模型在StepGame数据集上表现显著下降。此外，我们提出了一种基于张量积的记忆增强型神经网络（TP-MANN），专门针对空间推理任务进行优化。在两个数据集上的实验结果均显示，所提模型在泛化能力和鲁棒性方面均显著优于所有基线模型。