面向知识图谱复杂时序问答的联合多事实推理网络
计算与语言
2024-01-05 v1 人工智能
摘要
时序知识图 (Temporal Knowledge Graph, TKG) 是通过附加时间范围对常规知识图的扩展。现有的时序知识图问答 (TKGQA) 模型仅处理简单问题，因为其先验假设每个问题仅包含带有显式/隐式时间约束的单一时序事实。因此，它们在包含多个时序事实的问题上表现不佳。在本文中，我们提出了联合多事实推理网络 (Joint Multi Facts Reasoning Network, JMFRN)，通过对多个时序事实进行联合推理来准确回答复杂时序问题。具体而言，JMFRN 首先为给定复杂问题的每个实体从 TKG 中检索与问题相关的时序事实。为了进行联合推理，我们设计了两种不同的注意力（即实体感知和时间感知）模块，它们适用于通用设置，用于聚合检索事实的实体和时间戳信息。此外，为了过滤错误的类型答案，我们引入了额外的答案类型判别任务。大量实验表明，我们提出的方法在著名的复杂时序问答基准 TimeQuestions 上显著优于现有技术。
引用
@article{arxiv.2401.02212,
title = {Joint Multi-Facts Reasoning Network For Complex Temporal Question Answering Over Knowledge Graph},
author = {Rikui Huang and Wei Wei and Xiaoye Qu and Wenfeng Xie and Xianling Mao and Dangyang Chen},
journal= {arXiv preprint arXiv:2401.02212},
year = {2024}
}