大家好，我是 Jack。

Jack 的好朋友 rumor，做三年多的问答了，她对 NLP 的问答系统，可谓是又爱又恨。

恨吧，互联网里的问答产品就是个锦上添花的东西，而且效果还上不去，一堆case等着解。

爱吧，我们NLP可是人工智能的掌上明珠，而问答又是NLP的尽头，多么fancy的任务啊。

还是选择相信吧。

今天带大家一起学习丹琦女神和Scott大佬在ACL2020上主讲的Tutorial——Open-Domain Question Answering。开放域问答之所以重要，是因为它是搜索引擎的终极形态。而搜索引擎的重要性就不必多说了，需求量大，商业模式成熟，以搜索引擎为入口的应用养活了谷歌、百度和一系列垂搜大厂，占据了当今互联网的大半壁江山。要是掌握了这门技术，前途不可估量。

PPT&视频：https://github.com/danqi/acl2020-openqa-tutorial

丹琦女神这次的Tutorial，主要讲的是利用非结构化数据进行问答这一分支任务，也是当今场景最多的任务，毕竟结构化、半结构化数据有一定的获取成本。

从开放域问答兴起以来，可以分为以下四个阶段：

• Pipeline：类似搜索引擎，分为Query理解、候选召回和答案抽取
• Two-stage：对Pipeline进行简化，先用Retriever抽取候选，然后用Reader做阅读理解
• End-to-end learning：用神经网络替换传统Retriever，尝试把Retriever和Reader一起训练
• Retrieval-free models：不检索了，预训练都学会了，直接上模型就完了

下面我们就跟着女神的步伐，来看看这四类方法。

Pipeline

QA的研究从1960年左右就开始了，基本都是rule-based的方法，学者们通过大量人工定义的规则来进行query理解，然后从限定域数据库中寻找答案（那时的学者们可能不会知道，这种方法一直被沿用至今）。

1999年，信息检索领域的顶会TREC推出了QA Tracks，那时他们就开始意识到，搜索引擎的下一个形态就是问答。然而那时由于机器学习、算力的局限，主流方法还是跟搜索引擎类似，数据集也比较简单，都是用单实体作为答案（长了就抽不出来了）。

可以看2002年的冠军方案来体会一下Pipeline方法的复杂程度：

再之后，就是2011年，IBM Watson一举夺得Jeopardy问答竞赛的百万奖金。然而技术上还是没有太大进展，依旧是用Pipeline方法，任务形式也较为简单。

到了2013年，深度学习兴起，任务形式也开始发生变化，从Document层面的Macro-reading走向Passage层面的Micro-reading。出现了更偏向语义的阅读理解任务。以及更多形式的数据集：

Two-Stage

把问答整合成阅读理解任务的形式后，研究者们把Pipeline简化为了Retriever-Reader两步。最基本的解决方案可以参照2017年的DrQA，用TFIDF、BM25等同级方法召回合适的Document，再用神经网络作为Reader去标注合适的回答。

那接下来如何优化呢？除了把Reader替换为更复杂的网络外，还有几个点可以改进：

• DrQA是从文档层面进行召回的，因此2019年的BERTserini^[1]把文档切成segments，进行更精细的召回，同时用segment和答案片段的加权分数作为最终答案
• 在预测时，不同段落中抽出的答案不方便做比较，因此2018^[2]、19^[3]年分别有工作尝试了Multi-passage训练，让一个batch内的段落进行交互，得到一个更好的span预测结果
• 段落的重要性被忽略掉了，所以2018年的R^3^[4]给召回的passage又加了一个强化学习的re-ranker
• 目前的方法只对答案进行排序，而忽略了聚合，如果不同passage都抽出了同样的答案，可以用不同的方法进行汇总^[5]
• 开放域阅读理解的训练集很多都是远程监督来做的（只要passage包含答案就是正例），这样会忽略passage本身的合理性，也有工作探索这方面的改进^[6]

Dense Retriever and End-to-end

上文介绍了Pipeline方法的改进思路，然而Retriever还处于远古时代。技术再往前一步，就是对Retriever进行优化。

事实上，在2019年之前，dense retriever的表现都弱于sparse retriever（例如用TFIDF表示的one-hot）。Retriever网络需要从成百上千万的文档中选出合适的，需要大量的语料和算力，终于到BERT出来之后，我们有了预训练模型+Faiss向量化召回框架，才终于让dense retriever的效果上去。

2019年的ORQA^[7]提出了Inverse Cloze Task任务，通过预测一句话正确的Context对Retriever进行预训练，之后再对Retriever和Reader进行联合训练，终于在3个数据集上打败了传统的BM25+BERT。

2020年的REALM^[8]则更进一步，提出了让Retriever和Reader更好结合的MLM预训练任务。具体的做法是，随机对句子的实体进行mask，作为query，让Retriever从候选中抽取句子，再让Reader根据query和候选预测被mask的实体：

但上述两种方法都需要进行预训练，这个成本是很高的。

接下来，2020年的DPR^[9]提出，可以用更少的语料来训一个Retriever。那问题就来了，用什么数据训Retriever才好呢？DPR采用的正例是：

• 阅读理解数据集的正例
• 包含answer的BM25高分段落

而负例则采用：

• 随机段落
• 不包含答案的高分BM25段落
• 其他问题的正例段落

同时在训练时采用In-batch negative策略，相比REALM提升了2个多点。同时又证实了Pipeline方法的高效性。

优化了半天Retriever，那Reader层面还有什么优化呢？能不能用生成模型？

2020年的RAG^[10]就用DPR Retriever+BART模型来了一版生成式开放域QA：

不过讲了半天，上面方法本质还是Two-stage的，2019年的DenSPI^[11]就想，能不能phrase level进行召回，那要是都召回phrase了，reader是不是就可以省了？

说干就干，于是DenSPI把phrase都切出来了，一方面用BERT的start和end表示作为dense表示，一方面用TF-IDF做sparse表示，两个表示拼接起来，居然效果还不错，在SQuAD上能超越一些Two-stage的方法。

最后，让我们来看看女神总结的各模型表现：

Retriever-free

开放域问答的尽头，难道是预训练大模型？

然而女神的报告是2020年做的，只介绍了GPT-2和T5，从效果上看，预训练大模型是可以得到不错的效果的，然而这个效果跟模型尺寸强相关，11B的T5刚刚能赶上3个BERT-base的DPR效果。

数据集与评估

评估方式主要有：F1、Exact match、Top-N accuracy等

总结

问答是搜索引擎的尽头吗？我不知道，但我相信未来几十年之后，随着互联网的信息越来越多，人机交互的形式一定会发生变化。而其中最重要的技术，除了NLP可能就是脑机接口了。

希望我35岁危机之前问答技术能有一波大突破，please。

参考资料