Resumen

Comprender texto no estructurado es una tarea desafiante para las máquinas porque implica entender textos y responder preguntas. En este documento, estudiamos la tarea de opción múltiple para la comprensión de lectura basada en conjuntos de datos de pruebas de opción múltiple y conjuntos de datos de comprensión de lectura en chino, entre los cuales se encuentran los conjuntos de datos de comprensión de lectura en chino que construimos nosotros mismos. Observando los conjuntos de entrenamiento mencionados anteriormente, encontramos que la comprensión de oraciones es más importante que la comprensión de palabras en la tarea de opción múltiple, por lo que proponemos modelos de redes neuronales a nivel de oración. Nuestro modelo utiliza primero una red LSTM y un modelo de composición para aprender una representación vectorial compositiva para las oraciones, y luego entrena un modelo de atención a nivel de oración para obtener la atención a nivel de oración entre la incrustación de oraciones en los documentos y las incrustaciones de oraciones opcionales mediante el producto punto. Finalmente, se obtiene

• Materias:Internet de las cosas Dispositivos móviles Ransomware Ingeniería de Telecomunicación Servidores en la nube
• Subjects:Internet of things Mobile devices Ransomware Telecommunication engineering Cloud Servers
• Palabras claves:Texto; Comprensión; Tarea de elección múltiple; Comprensión lectora; Modelos de redes neuronales a nivel de frase; LSTM
• Keywords:Text; Comprehension; Multiple-choice task; Reading comprehension; Sentence-level neural network models; LSTM