AutoQGS：面向低资源下基于SPARQL的知识库问答生成的自动提示方法
计算与语言
2022-08-29 v1
摘要
本研究探讨了基于知识的问答生成（KBQG）任务。传统的KBQG工作从知识图谱中的事实三元组生成问题，无法表达SPARQL中的聚合与比较等复杂操作。此外，由于大规模SPARQL-问题对的标注成本高昂，低资源场景下基于SPARQL的KBQG亟需探索。近来，以自然语言到自然语言（NL-to-NL）范式训练的生成式预训练语言模型（PLMs，如T5和BART）已被证明对低资源生成有效，如何有效利用它们从非自然语言的SPARQL生成自然语言问题具有挑战性。为应对这些挑战，提出了AutoQGS，一种面向低资源下基于SPARQL的KBQG的自动提示方法。首先，我们提出为该KBQG任务直接从SPARQL生成问题以处理复杂操作。其次，我们提出一个在大规模无监督数据上训练的自提示器，将SPARQL改写为自然语言描述，以PLMs平滑从非自然语言SPARQL到自然语言问题的低资源转换。在WebQuestionsSP、ComlexWebQuestions 1.1和PathQuestions上的实验结果表明，我们的模型取得了最先进的性能，尤其在低资源设置下。此外，生成了330k事实型复杂问题-SPARQL对语料以供后续KBQG研究。
引用
@article{arxiv.2208.12461,
title = {AutoQGS: Auto-Prompt for Low-Resource Knowledge-based Question Generation from SPARQL},
author = {Guanming Xiong and Junwei Bao and Wen Zhao and Youzheng Wu and Xiaodong He},
journal= {arXiv preprint arXiv:2208.12461},
year = {2022}
}
备注
Accepted to CIKM2022