如果把中學(xué)生的英語閱讀理解選擇題讓AI來做，會做出什么水平？近日，上交大團隊訓(xùn)練的“雙向協(xié)同匹配網(wǎng)絡(luò)”（DCMN）取得了74%的正確率。盡管和人類學(xué)生相比只能算馬馬虎虎，但對AI來說，這已經(jīng)達到了目前的最高水平。

目前，在英語考試的閱讀理解上，AI雖然無法擊敗更有能力的人類學(xué)生，但它仍然是衡量機器對語言理解能力的最佳量度之一。

近日，上海交通大學(xué)的趙海團隊對AI模型進行了超過25000次英語閱讀理解測試訓(xùn)練。訓(xùn)練材料和中國現(xiàn)行英語水平考試的閱讀理解形式類似，每篇文章大約200到300個詞，文后是一系列與文章內(nèi)容相關(guān)的多項選擇題。這些測試來自針對12至18歲中國學(xué)生的英語水平考試。

雖然這些問題有些可以在文中找到答案，但其中一半以上的題目仍需要一定程度的推理。例如，有些問題會要求從四個選項中選出文章的“最佳標(biāo)題”。在訓(xùn)練結(jié)束后，AI參加了測試，其中包括1400次以前從未見過的考試。綜合得分為74分（百分制），優(yōu)于之前的所有機器測試。

上交大的AI系統(tǒng)可以識別與問題相關(guān)的文章相關(guān)部分，然后選出在含義上和邏輯上最相似的答案。在測試中排名第二的是騰訊的AI系統(tǒng)，在同一次考試中得分為72分。騰訊的AI學(xué)會了比較每個選項中包含的信息，并將不同選項間的信息差異作為提示，在文章中尋找證據(jù)。

目前最厲害的AI，閱讀理解只能得個C+

盡管在測試中分?jǐn)?shù)處于領(lǐng)先，趙海團隊仍在努力提高AI系統(tǒng)的能力。“如果從真人學(xué)生的視角來看，我們的AI的表現(xiàn)也就是一般水平，最多得個C+，”他說。“對于那些想進入中國優(yōu)秀大學(xué)的學(xué)生來說，他們的目標(biāo)是90分。”

為了提高分?jǐn)?shù)，團隊將嘗試修改AI，以便理解嵌入在句子結(jié)構(gòu)中的信息，并為AI提供更多數(shù)據(jù)，擴大其詞匯量。

如何理解人類的語言，一直是AI領(lǐng)域的一個主要問題，因為這種理解通常是不精確的，這個問題涉及機器難以掌握的隱含語境信息和社會線索問題。

卡內(nèi)基梅隆大學(xué)的GuokunLai表示，目前我們?nèi)圆磺宄嗀I在學(xué)習(xí)我們的語言時會遵循什么規(guī)則，“不過在閱讀了大量的句子和文章之后，AI似乎能夠理解我們的邏輯。”

該研究的相關(guān)論文已經(jīng)發(fā)表在Arxiv上，以下是論文的主要內(nèi)容：

讓AI做閱讀理解是一項具有挑戰(zhàn)性的任務(wù)，需要復(fù)雜的推理過程。AI需要從一組候選答案中選擇正確的答案。本文提出雙重協(xié)同匹配網(wǎng)絡(luò)（DCMN），該網(wǎng)絡(luò)可以雙向地模擬通道，問題和答案之間的關(guān)系。

與僅就問題感知或選擇性文章表示進行計算的現(xiàn)有方法不同，DCMN能夠計算文章感知問題表示和文章感知答案表示。為了證明DCMN模型的有效性，我們在大型閱讀理解數(shù)據(jù)集（即RACE）上評估了模型。結(jié)果表明，該模型達到了目前AI閱讀理解的最高水平。

機器閱讀理解和問答已經(jīng)成為評估自然語言處理和理解領(lǐng)域人工智能系統(tǒng)進展的關(guān)鍵應(yīng)用問題。計算語言學(xué)界對機器閱讀理解和問答的一般問題給予了極大的關(guān)注。

本文主要關(guān)注選擇題閱讀理解數(shù)據(jù)集，如RACE，該數(shù)據(jù)集中每個問題后都帶有一組答案選項。大多數(shù)問題的正確答案可能不會在原文中完全復(fù)現(xiàn)，問題類型和范圍也更加豐富和廣泛，比如涉及某一段落的提要和對文章作者態(tài)度的分析。

這需要AI能夠更深入地了解文章內(nèi)容，并利用外部世界知識來回答這些問題。此外，與傳統(tǒng)的閱讀理解問題相比，我們需要充分考慮通過文章-問題-答案三者之間的關(guān)系，而不僅僅是問題-答案的配對。

新模型DCMN：在文章、問題、答案三者之間建立聯(lián)系

DCMN模型可以將問題-答案與給定文章內(nèi)容進行雙向匹配，利用了NLP領(lǐng)域的最新突破——BERT進行上下文嵌入。在介紹BERT的原論文中提到，對應(yīng)于第一輸入令牌（CLS）的最終隱藏向量被用作聚合表示，然后利用分類層計算標(biāo)準(zhǔn)分類損失。

我們認為這種方法太粗糙，無法處理文章-問題-答案的三者關(guān)系組合，因為這種方法只是粗略地將文章-問題的聯(lián)系作為第一序列，將問題作為第二序列，沒有考慮問題和文章內(nèi)容之間的關(guān)系。因此，我們提出了一種新方法來模擬文章、問題和候選答案之間的關(guān)系。

使用BERT作為編碼層，分別得到文章、問題和答案選項的上下文表示。

構(gòu)造匹配層以獲得文章-問題-答案三者之間匹配表示，對問題在文章中對應(yīng)的位置信息與特定上下文匹配的候選答案進行編碼。

對從字級到序列級的匹配表示應(yīng)用層次聚合方法，然后從序列級到文檔級應(yīng)用。

我們的模型在BERT模型的基礎(chǔ)上，于RACE數(shù)據(jù)集上將當(dāng)前最高得分提高了2.6個百分點，并使用大規(guī)模BERT模型進一步將得分提高了3個百分點。

實驗及測試結(jié)果

在RACE數(shù)據(jù)集上對模型進行了評估。這個數(shù)據(jù)集由兩個子集組成：RACE-M和RACE-H。RACE-M來自初中考試試題，RACE-H來自高中考試試題。RACE是這兩者的結(jié)合。我們將我們的模型與以下基線方法進行了比較：MRU（多范圍推理），DFN（動態(tài)融合網(wǎng)絡(luò)），HCM（等級協(xié)同匹配），OFT（OpenAI微調(diào)語言轉(zhuǎn)換模型），RSM（閱讀策略模型）。

我們還將我們的模型與BERT基線進行比較，并實現(xiàn)BERT原論文（2018）中描述的方法，該方法使用對應(yīng)于第一個輸入標(biāo)記（[CLS]）的最終隱藏向量作為聚合表示，然后是分類層，最后計算標(biāo)準(zhǔn)分類損失。測試結(jié)果如上表所示。

我們可以看到BERT基線模型的性能非常接近先前的最高水平，而大型BERT模型的表現(xiàn)甚至超過了之前SOTA水平3.7％。但是實驗結(jié)果表明，我們的DCMN模型更強大，將最高得分進一步分別提升了2.2％。