基于 SPARQL 轮廓生成的知识图谱问答
计算与语言
2021-09-21 v1 人工智能
信息检索
机器学习
摘要
随着大规模知识图谱（KG）的出现，知识图谱问答（KGQA）已成为自然语言处理中的一个重要领域。近来，基于神经机器翻译的方法逐渐兴起，其将自然语言查询翻译为结构化查询语言，从而解决 KGQA 任务。然而，这类方法大多受困于词汇表外词问题，即测试时的实体与关系在训练时未被见过。本文中，我们提出一种模块化的两阶段神经架构来解决 KGQA 任务。第一阶段为输入问题生成称为 SPARQL 轮廓的目标 SPARQL 草图。其包含（1）用于缓解词汇表外词并缩减词汇量的噪声模拟器；（2）用于文本到 SPARQL 轮廓生成的 seq2seq 模型。第二阶段为神经图搜索模块。第一阶段生成的 SPARQL 轮廓在第二阶段中通过替换预测结构中的精确关系进行精化。我们通过设计噪声模拟器来模拟理想与真实两种场景。实验结果表明，第一阶段生成的 SPARQL 轮廓在理想场景下质量优异，但在真实场景（即含噪链接器）下质量急剧下降。然而，我们的神经图搜索模块可大幅恢复其质量。我们表明，该方法取得了合理性能，在 LC-QuAD-1 数据集上将 SOTA 提升了 3.72% F1。我们认为，所提方法具有新颖性，并将催生适用于实际应用的动态 KGQA 解决方案。
引用
@article{arxiv.2109.09475,
title = {Knowledge Graph Question Answering via SPARQL Silhouette Generation},
author = {Sukannya Purkayastha and Saswati Dana and Dinesh Garg and Dinesh Khandelwal and G P Shrivatsa Bhargav},
journal= {arXiv preprint arXiv:2109.09475},
year = {2021}
}
备注
7 + 6 pages, 10 figures