离散推理阅读理解：计算候选表达式概率与实现方法

本文主要探讨了在自然语言处理领域中，特别是机器阅读理解与文本问答技术的应用。文章中提到了一种实现元素UI表格组件上添加列拖拽效果的方法，这通常涉及到前端开发中的用户交互设计。同时，文章的核心是介绍了一个处理离散推理阅读理解任务的模型，该模型能处理多种答案类型，包括文本跨度、算术表达式和计数等。 在模型的训练过程中，首先利用公式7.6计算数字的符号赋值概率，然后通过束搜索生成可能的算术表达式并进行正确性标注。接着，模型采用边际似然目标函数来累积所有可能注释下的概率，其中包括对算术表达式的标注。模型在训练时利用了远程监督损失函数和分类损失函数，前者用于最大化匹配文本跨度上的概率，后者则用于最大化正确跨度数量的概率。 在测试阶段，模型会先依据公式7.3计算答案类型的概率分布，对不同类型的答案采取不同的处理策略。对于文本跨度，应用算法7.1进行解码；对于算术表达式，使用公式7.6和7.12分别计算累积符号赋值概率和重排名概率，选取乘积最大值的表达式；对于计数类型，根据公式7.8选择最高概率的数字；而对于否定类型，使用公式7.9计算每个数字的否定概率，最后的答案是100减去最高概率数字的值。 实验部分（7.3）展示了模型在离散推理阅读理解任务上的性能，包括在DROP数据集上的表现。DROP数据集包含了近9.6万个人工标注的问题-答案对，分为训练、验证和测试三部分。实验分析了模型各部分的效果、按答案类型的表现、跨度数和束搜索范围对性能的影响，以及错误案例的讨论。 这篇博士学位论文由胡明昊撰写，指导教师为彭宇行研究员，协助指导教师为唐文胜教授，属于计算机科学与技术领域的自然语言处理方向。论文详尽研究了机器阅读理解与文本问答技术，旨在提升系统理解和解答复杂问题的能力，尤其是在需要数值推理的情况下。