PipeNet：基于知识图谱的语义剪枝问答

人们普遍认为，结合显式知识图谱（KG）有助于问答。现有方法通常遵循“定位-推理”流程，首先为查询（问题和候选答案）定位实体节点，然后由推理模块在匹配的多跳子图上进行推理以预测答案。尽管该流程在很大程度上缓解了从巨型KG中提取关键信息的问题，但在扩大定位子图的跳数时，效率仍然是一个开放挑战。在本文中，我们致力于在子图中寻找语义相关的实体节点，以提高基于KG的图推理效率。我们提出了一种“定位-剪枝-推理”流程来剪枝噪声节点，在获得良好子图表示的同时，显著降低了计算成本和内存使用。具体而言，剪枝模块首先根据匹配跨度之间的依赖距离对概念节点进行评分，然后根据评分排名剪枝节点。为了便于评估剪枝后的子图，我们还提出了一个基于图注意力网络（GAT）的模块来对子图数据进行推理。在CommonsenseQA和OpenBookQA上的实验结果证明了我们方法的有效性。