基于时序知识图谱的问答
机器学习
2021-06-04 v1
摘要
时序知识图谱(Temporal KGs)通过为知识图谱中每条边提供时间范围(起始与结束时间)来扩展常规知识图谱。尽管基于知识图谱的问答(KGQA)已受到研究界的一定关注，但时序知识图谱上的问答(Temporal KGQA)仍属相对未被充分探索的领域。缺乏广覆盖数据集也是制约该领域进展的另一因素。我们提出 CRONQUESTIONS 这一已知最大的时序 KGQA 数据集来应对此挑战，其按结构复杂度明确划分为多个层级。CRONQUESTIONS 将此前唯一已知的数据集扩大了 340 倍。我们发现多种前沿 KGQA 方法在该新数据集上的表现远未达到预期。为此，我们还提出 CRONKGQA，一种基于 transformer 的方案，利用时序 KG 嵌入的最新进展，取得了优于所有基线的性能，准确率较次优方法提升 120%。通过大量实验，我们细致剖析了 CRONKGQA 的工作机制，以及仍存在显著改进空间的情形。除数据集外，我们也开源了代码。
引用
@article{arxiv.2106.01515,
title = {Question Answering Over Temporal Knowledge Graphs},
author = {Apoorv Saxena and Soumen Chakrabarti and Partha Talukdar},
journal= {arXiv preprint arXiv:2106.01515},
year = {2021}
}
备注
ACL 2021