Multi-hop question answering requires the aggregation of information from several documents to find the answer to a question. Most prominent works approach this aggregation through entity graphs. However, they tend to overlook intra-sentence reasoning. In this work, we propose a graph structure whose main innovation is the use of semantic role labeling (SRL) arguments to explicitly model all the multi-hop reasoning steps, including the intra-sentence reasoning. Additionally, we propose a novel hierarchical graph2seq mechanism to fuse multi-hop and entity boundary information from the graph into the token embeddings of the context to enhance the answer span prediction task. We achieve competitive performance compared to the current state of the art and prove through extensive qualitative and quantitative experiments the effectiveness of SRL to model multi-hop reasoning, as well as the capabilities of our hierarchical graph2seq mechanism, which outperforms all previous approaches, to fuse graph information into the token embeddings.
다중 문단 질의응답 (Multi-Hop QA) 은 다수의 문단 또는 문서에서 정보를 취합하여 주어진 질의에 답을 찾아내는 과정을 요구한다. 많은 이전 연구들은 객체 그래프 (entity graph)를 통해서 다수의 문서에서 주어진 정보를 취합하는데, 이러한 방식은 문장 내 추론을 간과한다. 본 연구는 의미역 결정 (Semantic Role Labeling; SRL) 을 이용하여 다중 문단 추론 및 문장 내 추론을 명시적으로 진행하는 그래프 구조를 제안한다. 추가적으로, 본 연구는 계층적인 Graph2Seq 방법을 제안하여 다중 문단 및 객체 경계 정보를 주어진 문맥 내에 있는 단어 임베딩과 결합시켜 정답 범위 예측 성능을 높인다. 위 방법들을 통해 현재 최고 성능을 보이는 모델들과 비견되는 성능을 보이며, 심도 깊은 정량적 및 정성적 실험을 통해 SRL이 다중 문단 추론을 모델링하는데 효과적이라는 사실을 증명한다. 이에 더해, 계층적 Graph2Seq 메커니즘의 성능이 그래프 정보를 단어 임베딩에 결합시키는 이전의 접근 방법들에 비해 뛰어난 성능을 보이는 것을 증명한다.
