中文機器閱讀理解
Chinese Machine Reading Comprehension
適用針對文章提出問題並從中抽取出答案 (用文章中一段原文來回答問題)
那些自然語言處理 (Natural Language Processing, NLP) 踩的坑
中文文本糾錯、中文文本分類、中文文本相似度、中文實體識別
https://github.com/Deep-Learning-101
這是應用閱讀理解於問答系統，就是傳說中的 Bert，並搭配另外自行標註數據，fine-tuning 前的結果；只用CPU，速度還可以 (2023/03)
投入約120天，早期想上線需要不少計算資源 (沒有昂貴的GPU想上線簡直是難如登天，好險時代在進步，現在CPU就能搞定)。記得我2018從老闆口中第一次聽到新項目是機器閱讀理解時，一頭霧水不知道是在幹麼，Google後突然發現這還真是它X的超級難的東西，而當時落地場景是要解決機器人在博物館或者展場的Q&A，不想再預先建一堆關鍵字與正規表示式來幫相似度和分類做前處理。
但機器閱讀理解坑真的不小，首先當然是數據，公開數據有SQuAD 1.0和2.0，但這是英文，你想用在中文 ? 你可以自己試試啦，再來有了個中文的CMRC，但用得是對岸用語跟簡體中文，而且數據格式不太一樣；後來台達電放出了DRCD還有科技部辦的科技大擂台，依然有格式不同的問題，數據量真的不太夠，所以想要落地你真的得要自己標註。
為了解決像是多文章還有問非文章內問題，還有公開數據要嘛英文不然就是簡體中文或對岸用語，然後本地化用語的數據實在不足的狀況，小夥伴們真的很給力，我們也用機器翻譯SQuAD 1.0和2.0還有自己手工爬維基百科跟開發了數據標註系統自己標註 ! 不得不說小夥伴們真的是投入超多精神在機器閱讀理解，更在Deep Learning 101做了分享。
什麼是機器閱讀理解？跟自然語言處理有什麼關係？ 機器閱讀理解 (機器之心) 一文讀懂機器閱讀理解 (朱晨光) 機器閱讀理解與問答聊天機器人
機器閱讀理解綜述(一) 機器閱讀理解綜述(二) 機器閱讀理解綜述(三) 機器閱讀理解探索與實踐
PPT @ HD @ No. 41 @ Deep Learning 101 Marchine Reading Comprehsesion 2020/05/29
使電腦具備像人類一樣理解文章的能力；自動處理分析文字資料並從中抽取語義知識
輸入為文章和問題文字，輸出為最終的回答；無論哪種閱讀理解模型，其訓練過程都依賴於人工標註的資料，大量文章–問題–答案的三元組
使對文章和問題進行文字編碼(詞向量/ word vector)：將文字分成若干單詞，然後用一串數字（即一個向量）表示一個單詞。
傳統的搜尋引擎只能返回與使用者查詢相關的檔，而閱讀理解模型可以在檔中精確定位問題的答案，從而提高使用者體驗。
BiDAF在embedding部分也同時引入word-embedding與char-embedding兩種embedding方法，讓模型的輸入包含更多資訊。而其最大的特點，為在Interaction層中引入了雙向attention機制，計算Query2Context和Context2Query兩種query-aware表示，再利用雙向LSTM對兩種query-aware進行整合，可更加有效的得出文章與問題之間的關係。最後預測答案的方式，則與Match-LSTM同樣使用boundary model的方法。
RuminatingReader算是加強版的BiDAF模型。他將BiDAF的架構中Interaction的輸出經過Highway Network的處理，將資訊加入至原文與原問題中。之後把帶有資訊的文章與問題再次輸入Interaction層計算，得出新的query-aware表示，其餘部分則與BiDAF基本上相同。藉由二次的重複計算attention，將原本已計算出的文章與問題相互關係做再一次地確認與強化，能在文章中更加準確地預測答案位置。
Match-LSTM架構較為簡單，用單層的LSTM對embedding過的文字做雙向編碼，再引入attention機制，計算出每個詞的query-aware表示，最後導入Answer層計算答案。計算答案的方式分為sequence model或boundary model兩種方式，但在最後實驗證明了簡化的boundary model比sequence model有著更好的效果，所以之後也預設以boundary model作為預測答案的方式。
在QANet的架構中，便捨棄了傳統RNN的編碼方式，而使用self-attention的機制。為此建立了一名為encoder block的子區塊，內含多個卷積層、self-attention與FeedForward layer。在文章與問題經過embedding後便利用encoder block對其進行編碼，之後引用與BiDAF相同的Context-Query attention計算文章與問題之間的相互關係。最後在接上多個encoder block，便進入output layer計算答案位置。QANet的結果證實，以self-attention取代RNN，並增加層數的方式能得出更好的結果。
在Transformer之中存在一個問題，就是在計算attention時，能擷取的上下文長度為固定的，導致超過長度之外的資訊可能就無法獲得。所以提出Transformer-XL架構，特色為將計算的hidden state緩存起來，在之後計算新片段時，能夠將hidden state重複使用，擴展獲取的前文資訊。但與此同時又產生新的問題，在hidden state的位置資訊原本是採用絕對位置，但引入上述機制後會導致性能損失。對此，Transformer-XL的解決方法為使用相對位置編碼，相對於絕對位置更加直觀，且能解決上述性能耗損的問題。
同樣建立在seq2seq的基礎上，但在過程中捨棄RNN，使用多層的attention替代。整個架構可分成encoder與decoder，兩者皆由多個block組成。encoder的block包含一個Multi-Head Attention和一個Feed Forward Network，而decoder的block則是由兩個Multi-Head Attention和一個Feed Forward Network組成。其中每個Multi-Head Attention和Feed Forward Network都採取類似 ResNet 的方法，後面加上一層 Add & Norm。由於Transformer捨棄了舊有的RNN與attention組合，改為全attention的構成，因此缺少了位置資訊。也就是說(a, b, c, d)與(d, c, b, a)這兩種組合在Transformer中視沒有區別的。所以在input時，Transformer會多出一個名為positional embedding的輸入，保留各個文字的位置資訊。
中文機器閱讀理解標註工具 (開發者：Alice Hong, Nat Lee)
