面向大规模知识图谱查询的图增强学习排序方法
计算与语言
2022-10-06 v4
摘要
基于信息检索的知识图谱问答（KGQA）旨在通过从大规模知识图谱中检索答案来回答问题。大多数现有方法先粗略检索可能包含候选答案的知识子图（KSG），再在 KSG 中搜索精确答案。然而，由于所查询的知识图谱通常规模庞大，KSG 可能包含数千个候选节点，从而降低答案选择的性能。为解决该问题，我们首先提出通过一种新的子图划分算法将检索到的 KSG 划分为若干更小的子 KSG，然后提出一种图增强学习排序模型从中选出排名靠前的子 KSG。我们所提模型结合了一种新颖的子图匹配网络以捕获问题与子图间的全局交互，并提出了增强双边多视角匹配模型以捕获局部交互。最后，我们在完整 KSG 与排名靠前的子 KSG 上分别应用答案选择模型，以验证所提图增强学习排序方法的有效性。多个基准数据集上的实验结果证明了我们方法的有效性。
引用
@article{arxiv.2111.10541,
title = {Graph-augmented Learning to Rank for Querying Large-scale Knowledge Graph},
author = {Hanning Gao and Lingfei Wu and Po Hu and Zhihua Wei and Fangli Xu and Bo Long},
journal= {arXiv preprint arXiv:2111.10541},
year = {2022}
}
备注
Accepted by AACL 2022