面向知识感知问答的动态相关性图网络
计算与语言
2022-09-22 v1
摘要
本文研究了在给定以知识图（KG）形式存在的外部知识源时，常识问答的学习与推理挑战。我们提出了一种新颖的图神经网络架构，称为动态相关性图网络（DRGN）。DRGN 基于问题和答案实体在给定 KG 子图上运作，并利用节点间的相关性分数动态建立新边，以学习图网络中的节点表示。这种将相关性显式用作图边的做法具有以下优点：a）模型可以利用已有关系，重新缩放节点权重，并影响 KG 子图中邻域节点表示的聚合方式；b）它有可能恢复推理所需的 KG 中缺失的边。此外，作为副产品，我们的模型因考虑了问题节点与图实体间的相关性，改进了对否定类问题的处理。与已发表的最优（SOTA）结果相比，我们提出的方法在两个问答基准 CommonsenseQA 和 OpenbookQA 上展现出有竞争力的性能。
引用
@article{arxiv.2209.09947,
title = {Dynamic Relevance Graph Network for Knowledge-Aware Question Answering},
author = {Chen Zheng and Parisa Kordjamshidi},
journal= {arXiv preprint arXiv:2209.09947},
year = {2022}
}
备注
Accepted by COLLING 2022