摘要

问答（Question Answering, QA）模型通常依赖大规模的训练数据集，这促使人们亟需开发数据生成框架，以降低人工标注的成本。尽管近期已有若干研究致力于生成具有单跨度答案的合成问题，但针对包含多个非连续跨度答案的列表型问题（list questions）的生成仍缺乏系统性探索。为填补这一空白，本文提出LIQUID——一种从无标注语料库中自动构建列表型问答数据集的框架。首先，我们将维基百科或PubMed中的文本段落转化为摘要，并从摘要中提取命名实体作为候选答案。该方法能够筛选出在语义上具有上下文关联的答案，因而适用于构建列表型问题。随后，利用现成的问答生成器，结合提取出的实体与原始段落生成问题。最后，通过迭代过滤与答案扩展机制，确保答案的准确性和完整性。基于所生成的合成数据，我们在多项基准测试中显著提升了现有最优列表型QA模型的性能：在MultiSpanQA上的精确匹配F1分数提升5.0，在Quoref上提升1.9，在三个BioASQ基准上的平均提升达2.8。