摘要

对话问答，作为一项专门的机器阅读理解任务，旨在理解对话内容并回答特定问题。尽管已有诸多进展，现有方法在处理该任务时仍未能充分考虑对话的结构特征以及背景知识（例如说话者之间的关系）。本文提出一种新方法，其核心创新在于对对话进行结构化建模，并融合背景知识以支持推理。具体而言，与以往“无结构”的方法不同，我们的方法将对话组织为一种“关系图”（relational graph），通过边来表示实体之间的关系。为编码此类关系图，我们设计了一种关系图卷积网络（Relational Graph Convolutional Network, R-GCN），该网络能够遍历图的拓扑结构，有效编码多关系知识，从而支持复杂的推理过程。大量实验结果验证了所提方法在多个竞争性基线上的优越性能。此外，深入分析表明，我们的模型在应对需要关系推理的复杂问题方面表现更优，并能有效抵御包含干扰性语句的对抗攻击。