QAGCN：基于知识图谱单步隐式推理的多关系问答方法
人工智能
2024-04-01 v3 计算与语言
信息检索
机器学习
摘要
多关系问答（QA）是一项具有挑战性的任务，其中给定问题通常需要在由多个关系组成的知识图谱（KG）中进行长推理链。近来，在 KG 上显式多步推理的方法在该任务中被突出使用并展现出有前景的性能。例子包括通过 KG 三元组逐步标签传播的方法，以及基于强化学习在 KG 三元组上导航的方法。这些方法的一个主要弱点是其推理机制通常复杂且难以实现或训练。本文中，我们主张多关系 QA 可通过端到端单步隐式推理实现，其更简单、更高效且更易采用。我们提出 QAGCN——一种基于问题感知图卷积网络（GCN）的方法，包含一种新颖的、带有受控的依赖于问题的消息传播的 GCN 架构以进行隐式推理。我们进行了大量实验，QAGCN 取得了与最先进的显式推理方法相当甚至更优的性能。我们的代码和预训练模型可在仓库获取：https://github.com/ruijie-wang-uzh/QAGCN
引用
@article{arxiv.2206.01818,
title = {QAGCN: Answering Multi-Relation Questions via Single-Step Implicit Reasoning over Knowledge Graphs},
author = {Ruijie Wang and Luca Rossetto and Michael Cochez and Abraham Bernstein},
journal= {arXiv preprint arXiv:2206.01818},
year = {2024}
}