GETT-QA：基于图嵌入的 T2T Transformer 知识图谱问答系统
计算与语言
2023-03-29 v3 数据库
信息检索
摘要
在本工作中，我们提出一个端到端知识图谱问答（KGQA）系统 GETT-QA。GETT-QA 使用流行的文本到文本（text-to-text）预训练语言模型 T5。该模型以自然语言问题作为输入，并生成简化形式的预期 SPARQL 查询。在该简化形式中，模型不直接生成实体和关系 ID，而是生成相应的实体和关系标签。标签在后续步骤中被接地（grounded）到 KG 实体和关系 ID。为了进一步提升结果，我们指示模型为每个实体生成截断版本的 KG 嵌入。截断的 KG 嵌入可实现更精细的消歧搜索。我们发现 T5 能够在无需改变损失函数的情况下学习截断的 KG 嵌入，从而提升 KGQA 性能。因此，我们在基于 Wikidata 的端到端 KGQA 上报告了 LC-QuAD 2.0 和 SimpleQuestions-Wikidata 数据集上的强劲结果。
引用
@article{arxiv.2303.13284,
title = {GETT-QA: Graph Embedding based T2T Transformer for Knowledge Graph Question Answering},
author = {Debayan Banerjee and Pranav Ajit Nair and Ricardo Usbeck and Chris Biemann},
journal= {arXiv preprint arXiv:2303.13284},
year = {2023}
}
备注
16 pages single column format accepted at ESWC 2023 research track