引入关系链推理改进嵌入知识图谱多跳问答
计算与语言
2022-11-15 v3
摘要
知识图谱问答（KGQA）旨在通过识别主题实体与答案之间的推理关系，从知识图谱（KG）中回答用户问题。作为 KGQA 的复杂分支任务，多跳 KGQA 需要基于 KG 中保留的多跳关系链进行推理以得出正确答案。尽管近期取得进展，现有回答多跳复杂问题的工作仍面临以下挑战：i）用户问题中缺乏显式的关系链顺序，源于对用户意图的误解。ii）在弱监督下错误捕捉关系类型，而由于标注成本高昂，数据集缺乏中间推理链标注。iii）由于基于子图检索的算法存在邻域大小限制，未能考虑结构化 KG 中隐含的主题实体与答案间关系。为解决多跳 KGQA 中的这些问题，我们提出一种新模型，即基于关系链的嵌入 KGQA（Rce-KGQA），其同时利用自然语言问题中显式的关系链与结构化 KG 中隐式的关系链。我们在三个开放域基准上的广泛实证研究表明，我们的方法显著优于 GraftNet、PullNet 和 EmbedKGQA 等最先进的同类方法。全面的消融实验也验证了我们的方法在多跳 KGQA 任务上的有效性。我们已将模型源代码发布于 github：https://github.com/albert-jin/Rce-KGQA。
引用
@article{arxiv.2110.12679,
title = {Improving Embedded Knowledge Graph Multi-hop Question Answering by introducing Relational Chain Reasoning},
author = {Weiqiang Jin and Biao Zhao and Hang Yu and Xi Tao and Ruiping Yin and Guizhong Liu},
journal= {arXiv preprint arXiv:2110.12679},
year = {2022}
}
备注
38 pages, 5 figures; about 67 references