NuTrea：用于上下文引导多跳知识图谱问答的神经树搜索
计算与语言
2023-10-25 v1 人工智能
摘要
多跳知识图谱问答（KGQA）是一项从知识图谱（KG）中检索节点以回答自然语言问题的任务。近期基于 GNN 的方法将该任务表述为 KG 路径搜索问题，其中消息从种子节点顺序传播至答案节点。然而，这些消息是面向过去的，且未考虑完整 KG 上下文。更糟的是，KG 节点常表示专有名词实体且有时被加密，在选择路径时缺乏信息性。为解决这些问题，我们提出神经树搜索（NuTrea），一种基于树搜索的 GNN 模型，它纳入更广阔的 KG 上下文。我们的模型采用一种消息传递方案，探查未到达的子树区域以增强面向过去的嵌入。此外，我们引入关系频率-逆实体频率（RF-IEF）节点嵌入，考虑全局 KG 上下文以更好地刻画模糊 KG 节点。我们在三个主要多跳 KGQA 基准数据集上的实验证明了我们方法的普遍有效性，而我们广泛的分析进一步验证了它的表达力与鲁棒性。总体而言，NuTrea 提供了一种用复杂自然语言问题查询 KG 的有力手段。代码可在 https://github.com/mlvlab/NuTrea 获取。
引用
@article{arxiv.2310.15484,
title = {NuTrea: Neural Tree Search for Context-guided Multi-hop KGQA},
author = {Hyeong Kyu Choi and Seunghun Lee and Jaewon Chu and Hyunwoo J. Kim},
journal= {arXiv preprint arXiv:2310.15484},
year = {2023}
}
备注
Neural Information Processing Systems (NeurIPS) 2023