面向可解释多跳科学问答的动态语义图构建与推理
计算与语言
2021-05-26 v1
摘要
知识检索与推理是网页规模多跳问答(QA)的两个关键阶段。现有方法在检索证据事实以填补知识缺口时置信度较低，且缺乏透明的推理过程。本文提出一种新的框架，通过动态构建语义图并对其进行推理，在利用更多有效事实的同时获得多跳QA的可解释性。我们采用抽象语义表示(Abstract Meaning Representation, AMR)作为语义图表示。我们的框架包含三个新思路：(a) {\tt AMR-SG}，一种基于AMR的语义图(Semantic Graph)，由候选事实的AMR构建，以揭示问题、答案与多个事实之间的任意跳关系。(b) 一种新颖的基于路径的事实分析方法，利用{\tt AMR-SG}从大规模事实池中提取活跃事实以回答问题。(c) 一种利用图卷积网络(GCN)进行事实级关系建模以引导推理过程的方法。在两个科学多跳QA数据集上的结果表明，我们能够在OpenBookQA上超越近期方法(包括那些使用额外知识图的方法)并保持高可解释性，同时在计算可行的设置下于ARC-Challenge上取得新的SOTA结果。
引用
@article{arxiv.2105.11776,
title = {Dynamic Semantic Graph Construction and Reasoning for Explainable Multi-hop Science Question Answering},
author = {Weiwen Xu and Huihui Zhang and Deng Cai and Wai Lam},
journal= {arXiv preprint arXiv:2105.11776},
year = {2021}
}
备注
Accepted by Findings of ACL 2021