提升时序知识图谱问答的时间敏感性
计算与语言
2022-03-02 v1 机器学习
摘要
时序知识图谱（KG）问答高效利用时序 KG 中包含的事实（这些事实记录了实体关系及其发生时间）来回答自然语言问题（例如“奥巴马之前谁是美国总统？”）。这类问题常涉及三个以往工作未能充分解决的时间相关挑战：1）问题通常未指定感兴趣的确切时间戳（例如用“奥巴马”而非 2000 年）；2）时间关系中的细微词汇差异（例如“before”与“after”）；3）以往工作所依赖的现成时序 KG 嵌入忽略了时间戳的时间顺序，而这对回答与时间顺序相关的问题至关重要。本文提出一种时间敏感问答（TSQA）框架以应对这些问题。TSQA 具备时间戳估计模块，可从问题中推断未写明的时间戳。我们还采用时间敏感的 KG 编码器，将顺序信息注入 TSQA 所基于的时序 KG 嵌入中。借助缩减潜在答案搜索空间的技术，TSQA 在时序 KG 问答的新基准上显著优于以往最优方法，尤其在需要时序 KG 中多步事实推理的复杂问题上实现了 32%（绝对）的错误率降低。
引用
@article{arxiv.2203.00255,
title = {Improving Time Sensitivity for Question Answering over Temporal Knowledge Graphs},
author = {Chao Shang and Guangtao Wang and Peng Qi and Jing Huang},
journal= {arXiv preprint arXiv:2203.00255},
year = {2022}
}
备注
10 pages, 2 figures