知识库上的少样本多跳问答
计算与语言
2022-01-28 v2 人工智能
摘要
KBQA 是一项需利用知识库中语义结构化信息来回答问题的任务。该领域以往工作受限于大规模语义解析数据集的缺乏，以及搜索空间随关系路径跳数增加呈指数增长。本文提出一种配备预训练语言模型的高效流水线方法。通过采用 Beam Search 算法，搜索空间不再受限于 3 跳子图。此外，我们提出一种数据生成策略，使模型能从少量训练样本良好泛化。我们在开放域复杂中文问答任务 CCKS2019 上评估模型，在测试集上取得 62.55% 的 F1 分数。另外，为测试模型的少样本学习能力，我们随机选取原始数据的 10% 训练模型，结果显示模型仍取得 58.54% 的 F1 分数，验证了模型处理 KBQA 任务的能力及在少样本学习上的优势。
关键词
引用
@article{arxiv.2112.11909,
title = {Few-shot Multi-hop Question Answering over Knowledge Base},
author = {Meihao Fan and Lei Zhang and Siyao Xiao and Yuru Liang},
journal= {arXiv preprint arXiv:2112.11909},
year = {2022}
}