2018年10月19日，第十七屆中國計算語言學大會（CCL2018）在長沙召開，追一科技團隊作為中文機器閱讀理解（CMRC2018）評測任務的冠軍隊伍，在評測研討會上分享了本次參賽系統的報告。
機器閱讀理解（Machine Reading Comprehension）可以說是近兩年NLP領域的大熱點，顧名思義，就是讓機器像人一樣去讀懂一段文字，並回答相應問題。常見的機器閱讀理解形式有完形填空式，選擇題式和知名度最廣的抽取式，從抽取文件篇數又可細分為多文件（如MS MARCO）和單文件（SQuAD）。CMRC比賽與最流行的英文資料集SQuAD形式類似，文件來源於中文維基百科，問題由人工撰寫，根據給定的一篇文件和一個問題，參賽者需要解決的是，如何建立並訓練model，使其能更好地理解context與query，並找到相應答案。下圖為實際比賽資料的一個示例。
資料
在資料方面，主要工作集中在資料的歸一化和去噪音。CMRC比賽訓練集包含大約一萬條資料，總體資料量偏少，這種情況下資料的標註一致性尤為重要。透過分析錯誤樣例，參賽隊員發現了標註的不一致問題，透過分析篩選最終對少量答案分佈不一致的訓練資料進行了清洗。
（1963年）
範廷頌是什麼時候被任為主教的？
VS
九廣鐵路小童儲值票是何時停止使用的？
（1990年9月停止使用）
上面的資料樣例展示了這種標註不一致問題，同樣為時間點的詢問，但是不同標註有字尾區別，這種標註不一致問題會使模型的最終預測EM指標降低。
除了標註不一致的噪音，參賽隊員還對文字進行了歸一化，比如繁簡轉換，中英文標點轉換等資料歸一化操作。
模型
在模型方面，追一此次參賽採用了經典的端對端閱讀理解系統，整體框架參考微軟的模型結構R-Net，示意圖如下，
文字向量化表達
文字的向量化表達一直是深度學習系統效果的重中之重，本次參賽追一代表隊使用了預訓練的中文ELMo代替傳統的word2vec，單此一項，EM提升了1.8個點。傳統的詞向量word2vec是上下文無關的，無法對一詞多義的情況進行建模，比如常舉例的 “我想吃【蘋果】”和 “我的【蘋果】手機摔壞了”。近期AllenAI提出了ELMo，即Embeddings from Language Models，這種詞表徵不再是固定的向量，而是以語言模型為基礎獲得的一個上下文相關的詞表徵。
英文ELMo是基於字元級別的編碼，對中文並不適用。針對中文文字追一團隊實驗了兩套方案，第一版是採用詞級別進行輸入，第二版是將詞改進為筆劃級別的編碼，兩者都透過雙層LSTM變換來進行語言模型預訓練。經過多次實驗，效果最好的詞級別與筆劃級別的ELMo效果相差不大，最後採用了基於維基百科與新浪新聞組合語料訓練的512維詞向量ELMo模型作為下游任務的輸入。
除ELMo外，模型還加入了描述問題型別的one hot特徵，即按提問方式將問題歸為who, where, when等八類，並轉換為one-hot向量。POS資訊與詞共現特徵也作為額外的輸入傳入了模型。
編碼層
採用多層雙向RNN對文件和問題分別進行編碼
互動層
Attention機制是融合文件內容和問題資訊的主要方法，是眾多模型中比較通用的部分。在傳統attention基礎上，我們對問題輸入新增了額外一個基於gate機制的過濾層，讓模型去傾向注意核心詞彙，忽略無關資訊。改進的attention將EM/F1分別提升了0.6/0.3。
答案抽取層
和眾多參賽隊類似，追一的參賽隊員採用了Pointer-network來作為模型的輸出層。PointerNetwork透過預測答案的起始與終止位置，得到最終輸出。
訓練
由模型壓縮思想衍生出的自我蒸餾(self-distill)訓練方法在此次比賽中起到了很好的效果，其思想來源於論文《Born-Again Neural Networks》。蒸餾通常用在模型壓縮方面，即採用預訓練好的複雜模型（teacher model）輸出作為監督訊號去訓練另一個簡單模型（student model），從而將teacher學習到的知識遷移到student。自我蒸餾就是不改變模型大小，迴圈進行teacher-student的訓練，直到效果不再改進。CMRC比賽中，teacher model是已經訓練好的一版模型，student 和teacher 模型相同，僅重新初始化。訓練student時，模型要同時學習真實label和teacher的輸出。 self-distill效果顯著，最終模型比初始teacher的EM/F1分別可以增長0.88/0.94。
經過資料清洗，模型最佳化，多次訓練，最終的系統在正式測試集上，EM和F1分別達到了74.178和88.145，僅靠單模型（single），在所有隊伍中排名第一。
機器閱讀理解技術應用領域廣泛，現已在資訊提取等多個產品功能上投入應用，也是追一未來重點投入的研究方向之一。