机器阅读理解（MRC）零基础入门级综述（一）

东南大学数学学院博士，跨专业选课机器学习专题，课程大作业，零基础开始记笔记，整理了这篇综述，故曰零基础入门级综述。

• 以下大部分内容翻译自斯坦福陈丹琦博士论文，文末有原文链接。

一、机器阅读理解(MRC)是什么？

1. 含义

机器阅读理解旨在让机器可以对文本进行阅读、表示，并根据其回答用户的问题

• 以上内容引用自[1]

2. 分类

一般来说，根据不同的答案类型，我们可以将现有的阅读理解任务分为四类[2]：

1. 完形填空：把一个词填在文中空白处，和英语考试完形填空一模一样；
2. 选择题：顾名思义；
3. 抽取式：答案就是文中的某个词或者某段话；
   
4. 自由式：对答案没有任何限制，可以是词也可以是句子，长度也不限。
   

3. 机器阅读理解（Reading Comprehension） vs. 问答（Question Answering）

• 阅读理解可以看作是问答的一个特例，因为它本质上是通过一段文本来回答一个问题，它们两者之间在问题的形式，处理方法以及评价体系上都有相通点。
• 阅读理解和问答的终极目标不一样：
  • 问答系统的最终目标是建立一个可以自动回答人类问题的计算机系统；
  • 阅读理解更注重机器对文本理解，而回答问题是为了衡量机器对文本的理解程度。

二、研究机器阅读理解的动机

1. 评估计算机系统理解人类语言能力

NLP对人类语言的理解有以下多个层次

那么有没有一个综合的评估可以测试所有这些方面？——有的，阅读理解。
因为就算是人类本身，也是需要采用阅读理解测试来衡量自身理解一段文字的能力。
再一次想到了被语文阅读理解支配的恐惧

举一个栗子：

• 回答第一个问题，需要联系上下文，知道“She’s now in Miami”中的“she”指的是上文的“Alyssa”，这就体现了机器的“Discourse Process”能力。
• 第三个问题更加具有挑战性，机器需要结合全文进行推理，还需要计数才能得出，有“3”个朋友的答案。

2. 机器阅读理解是问答系统和对话系统等应用的关键技术

1. 让搜索引擎越来越智能
   

在谷歌上搜索一个问题，谷歌不仅返回一个搜索文档列表，还试图读取这些Web文档，最后置顶显示最合理的答案。

果然，百度这方面还得加加油。
2. 苹果Siri，微软小娜，天猫精灵，小米小度等等，借助MRC也提高它们对话的能力——结合上下文的多轮次对话，从而更加智能。

未完待续

参考文献

[1] 【AI TIME PhD】复杂场景下的机器阅读理解 | 清华大学林衍凯博士
[2] 《Neural Reading Comprehension and Beyond》，斯坦福陈丹琦博士论文