时序问答的问句校准与多跳建模
计算与语言
2024-02-21 v1
摘要
许多利用知识图谱 (KG) 的模型近期在问答任务中展现出显著成功。然而在现实世界中，许多 KG 中的事实受时间约束，因此时序 KGQA 正受到关注。尽管前述模型在时序 KGQA 上取得了丰硕成果，但仍存在若干局限。(I) 它们采用预训练语言模型 (PLM) 获取问句表示，而 PLM 倾向于关注实体信息，忽略时间约束导致的实体迁移，最终无法学习实体的特定时序表示。(II) 它们 neither 强调实体之间的图结构，也未显式建模图中的多跳关系，这将难以解决复杂的多跳问答问题。为缓解此问题，我们提出一种新颖的问句校准与多跳建模 (QC-MHM) 方法。具体而言，我们首先通过融合问句与 KG 中受时间约束的概念来校准问句表示。随后构建 GNN 层以完成多跳消息传递。最后，将问句表示与 GNN 输出的嵌入相结合，以生成最终预测。实验结果验证，所提模型在基准数据集上优于最先进的模型。值得注意的是，QC-MHM 在 CronQuestions 数据集复杂问句上的 Hits@1 和 Hits@10 分别比最佳基线提升了 5.1% 和 1.2%。此外，QC-MHM 能够生成可解释且可信的预测。
引用
@article{arxiv.2402.13188,
title = {Question Calibration and Multi-Hop Modeling for Temporal Question Answering},
author = {Chao Xue and Di Liang and Pengfei Wang and Jing Zhang},
journal= {arXiv preprint arXiv:2402.13188},
year = {2024}
}
备注
Accepted by AAAI 2024