基于知识库与文本早期融合的开放域问答
计算与语言
2018-09-05 v1 机器学习
摘要
开放域问答(QA)正从复杂的流水线系统演变为端到端的深度神经网络。专门的神经模型已被开发用于仅从文本或仅从知识库(KBs)中提取答案。在本文中,我们关注一种更实际的设定,即针对知识库与实体链接文本组合之上的问答,这在存在不完整知识库且伴有大规模文本语料时尤为适用。基于图表示学习的最新进展,我们提出了一种新颖模型 GRAFT-Net,用于从包含文本及知识库实体与关系的问题特定子图中提取答案。我们针对该问题构建了一套基准任务,在问题难度、训练数据量和知识库完整度上进行了变化。我们表明,GRAFT-Net 在仅使用知识库或仅使用文本测试时与当前最优方法(state-of-the-art)具有竞争力,而在组合设定下大幅优于现有方法。源代码可在 https://github.com/OceanskySun/GraftNet 获取。
引用
@article{arxiv.1809.00782,
title = {Open Domain Question Answering Using Early Fusion of Knowledge Bases and Text},
author = {Haitian Sun and Bhuwan Dhingra and Manzil Zaheer and Kathryn Mazaitis and Ruslan Salakhutdinov and William W. Cohen},
journal= {arXiv preprint arXiv:1809.00782},
year = {2018}
}
备注
EMNLP 2018