使用知识图谱和网络语料的问答神经架构
信息检索
2018-12-07 v3
摘要
在网络搜索中，实体查询常常触发特殊的问答系统。它可能使用解析器将问题解释为结构化查询，在知识图谱上执行该查询，并返回直接的实体响应。基于精确解析的问答系统往往脆弱：微小的语法变化可能显著改变响应。此外，知识图谱的覆盖范围不完整。另一个极端是，大型语料库可能提供更广泛的覆盖，但形式非结构化且不可靠。我们提出了 AQQUCN，一个优雅地结合知识图谱和语料库证据的问答系统。AQQUCN 接受广泛的查询语法，从结构良好的问题到简短的“电报式”关键词序列。面对固有的查询歧义，AQQUCN 聚合来自知识图谱和大型语料库的信号，直接对知识图谱实体进行排序，而不是承诺对查询的单一语义解释。AQQUCN 将理想解释建模为不可观测的潜变量。解释和候选实体响应作为配对进行评分，通过结合多个卷积网络的信号，这些网络共同对查询、知识图谱和语料库进行操作。在四个公开查询工作负载上，总计超过 8000 个具有多样查询语法的查询，与近期系统的实体排序性能相比，我们看到了平均平均精度的绝对提升 5-16%。我们的系统在实体集合检索方面也具有竞争力，对于具有挑战性的短查询，F1 分数几乎翻倍。
引用
@article{arxiv.1706.00973,
title = {Neural Architecture for Question Answering Using a Knowledge Graph and Web Corpus},
author = {Uma Sawant and Saurabh Garg and Soumen Chakrabarti and Ganesh Ramakrishnan},
journal= {arXiv preprint arXiv:1706.00973},
year = {2018}
}
备注
Accepted to Information Retrieval Journal