利用图摘要改进知识图谱上的问答
机器学习
2022-03-28 v1
摘要
知识图谱(KG)上的问答系统(KGQA)利用 KG 中包含的三元组自动回答自然语言问题。其核心思想是将问题和 KG 中的实体表示为低维嵌入。以往的 KGQA 尝试使用知识图谱嵌入(KGE)和深度学习(DL)方法来表征实体。然而，KGE 过于浅层，无法捕捉具有表现力的特征，而 DL 方法独立地处理每个三元组。近来，图卷积网络(GCN)在提供实体嵌入方面表现出色。然而，将 GCN 用于 KGQA 效率低下，因为 GCN 在聚合邻域时平等对待所有关系。此外，使用以往的 KGQA 可能出现一个问题：在大多数情况下，问题往往具有不确定数量的答案。为解决上述问题，我们提出一种使用循环卷积神经网络(RCNN)和 GCN 的图摘要技术。GCN 与 RCNN 的结合确保嵌入与问题相关的关系一起传播，从而得到更好的答案。所提出的图摘要技术可用于解决 KGQA 无法回答具有不确定数量答案的问题。在本文中，我们在最常见的问题类型即单关系问题上展示了所提出的技术。实验表明，与 GCN 相比，所提出的基于 RCNN 和 GCN 的图摘要技术能提供更好的结果。当问题具有不确定数量的答案时，所提出的图摘要技术显著提高了实际答案的召回率。
引用
@article{arxiv.2203.13570,
title = {Improving Question Answering over Knowledge Graphs Using Graph Summarization},
author = {Sirui Li and Kok Kai Wong and Dengya Zhu and Chun Che Fung},
journal= {arXiv preprint arXiv:2203.13570},
year = {2022}
}
备注
The paper is accepted by ICONIP 2021