(10강) QA with Phrase Retrieval
phrase retrieval을 활용한 real-time ODQA
retriever - reader구조와 비교
[Reference & Further Reading]
추가적인 아이디어를 소개. 대회에는 1~8강을 중점적으로 해보면 좋을 것 같음.
1. Phrase Retrieval in ODQA
1.1. Limitation of Retriever-Reader approach
Error Propagation: 5-10개의 문서만 reader에게 전달됨
retriever에 의존도가 높아짐
Query-dependent encoding: query에 따라 정답이 되는 answer span에 대한 encoding이 달라짐
Query와 cotext를 concate해서 encoding을 하다보니 query가 달라지면 모두 다시 encoding을 해야한다.
1.2. Phrase search (Document search)
문서 검색을 하듯이 phrase (절)을 바로 검색할 순 없을까 라는 아이디어에서 나왔다.
Phrase indexing
문장에서 각 Phrase마다 나누어 key vectors를 생성해둔다면 Query Vector만 encoding하여서 Nearest Neighbor Search를 통해 정답을 바로 구할 수 있다는 것이다. 즉, Query벡터가 변해도 큰 작업이 필요가 없다는 것.
Query-Agnostic Decomposition
위 식의 경우 q가 변함에 따로 F 모델을 다시 정의해야한다.
아래처럼 F를 G와 H로 분리하는 방법론이다.
q가 변함에 따라 H를 다시 정의할 필요가 없어 속도가 매우 빠르다.
하지만 F가 G와 H로 나눌수 있다는 보장이 없다.
어떻게 각 phrase를 vector space상에 잘 mapping 할 수 있을지??
Dense와 Sparse 임베딩을 둘다 사용해보자!
2. Dense-sparse Representation for Phrases
Dense vectors: 통사적, 의미적 정보를 담는데 효과적
Sparse vectors: 어휘적 정보를 담는데 효과적
key vector를 생성함에 있어 dense와 sparse를 결합하여 사용한다.
Dense representation
Dense vector를 만드는 방법
Pre-trained LM (BERT)를 이용
Start vector와 end vector를 재사용해서 메모리 사용량을 줄임
Coherency vector
phrase가 한 단위의 문장 구성 요소에 해당하는지를 나타냄
구를 형성하지 않는 phrase를 걸러내기 위해 사용함
start vector와 end vector를 이용하여 계
선택된 Phrase가 좋은 Phrase 여부를 판단하는 값.
Question embedding
Question을 임베딩할 때는 [CLS] 토큰 (BERT)를 활
2.2. Sparse representation
Sparse Vector를 만드는 방법
문백화된 임베딩(contextualized embedding)을 활용하여 가장 관련성이 높은 n-gram으로 sparse vector 구
target phrase의 주변 단어들과의 유사성을 구해서 그 유사성을 각 단어 해당하는 sparse vector 상에 dimention에 넣어준다. 일종의 TF-IDF와 비슷하지만 각 phrase마다 weight가 변하는 벡터의 형태로 만들 줄 수 있다.
2.3. Scalability Challenge
Wikipedia만해도 60 billion개의 phrase가 존재하여서 저장소의 크기가 고려되어야한다...
3. Experiment Result & Analysis
SQuAD-open
s/Q: second per query on CPU
#D/Q: number of documents visited per query
Retriever-reader 보다 3.6% 성능향상과 68배의 속도향상을 확
3.1. Limitation
다른 task에서는 낮은 성능을 보여주기도 한다.
고성능 장비가 필요하다.
Decomposability Gab F -> G+H라는게 사실 성립하지 않기 때문에 발생
Last updated
Was this helpful?
