摘要

在诸多问答（QA）应用中，能够解释模型为何选择某一答案至关重要。然而，由于缺乏标注的答案解释数据，学习这一能力既困难又成本高昂。为此，本文提出一种利用答案排序作为远监督信号的方法，用于学习如何选择具有信息量的解释。在该方法中，解释充当问题与正确答案之间的推理纽带，通常与两者在词汇层面重叠度较低。我们提出了一种神经网络架构，通过将解释排序作为答案选择过程中的一个中间步骤（且该步骤具有人类可理解性），实现更优的答案推断。该方法基于一组精心设计的特征，融合了学习得到的表示与显式特征，以捕捉问题、答案与解释之间的内在关联。实验结果表明，采用这种端到端的方法，我们在解释排序任务上相较于强大的信息检索基线显著提升（高相关性评分提升9%），在答案选择任务上也取得显著改进（P@1提升6%）。