面向知识图谱对话式问答的对比表示学习
计算与语言
2022-10-11 v1
摘要
本文研究面向知识图谱(KG)的对话式问答(ConvQA)任务。现有多数ConvQA方法依赖全监督信号，并严格假设可获得查询的金标准逻辑形式以从KG中提取答案。然而，在真实场景中为每一个潜在问题创建此类金标准逻辑形式并不可行。因此，在缺失金标准逻辑形式的情况下，现有基于信息检索的方法通过启发式或强化学习使用弱监督，将ConvQA表述为KG路径排序问题。尽管缺失金标准逻辑形式，仍可融入丰富的对话上下文（如带有流畅回复的完整对话历史与领域信息）以有效抵达正确的KG路径。本工作提出一种基于对比表示学习的方法来对KG路径进行有效排序。我们的方法解决了两个关键挑战。首先，它允许基于弱监督的学习，从而免除了金标准标注的必要性。其次，它融入对话上下文（完整对话历史与领域信息），将其与KG路径的齐次表示联合学习，以改进用于有效路径排序的对比表示。我们在ConvQA的标准数据集上评估了我们的方法，其在所有领域及总体上均显著优于现有基线。具体而言，在某些情况下，平均倒数排名(MRR)与Hit@5排序指标相比最先进性能分别绝对提升了10和18个百分点。
引用
@article{arxiv.2210.04373,
title = {Contrastive Representation Learning for Conversational Question Answering over Knowledge Graphs},
author = {Endri Kacupaj and Kuldeep Singh and Maria Maleshkova and Jens Lehmann},
journal= {arXiv preprint arXiv:2210.04373},
year = {2022}
}
备注
31st ACM International Conference on Information and Knowledge Management (CIKM 2022)