面向知识库复杂问答的问句分解树
计算与语言
2023-06-14 v1
摘要
知识库问答（KBQA）近年来备受关注，尤其是需要多个事实才能回答的复杂问题。问句分解是回答复杂问题的一种有前景的方法。现有分解方法依据单一组合性类型将问题拆分为子问题，不足以应对涉及多种组合性类型的问题。本文提出问句分解树（QDT）来表示复杂问题的结构。受自然语言生成（NLG）近期进展启发，我们给出一种称为 Clue-Decipher 的两阶段方法以生成 QDT，其能利用 NLG 模型的强大能力并同时保留原问题。为验证 QDT 可增强 KBQA 任务，我们设计了一个基于分解的 KBQA 系统 QDTQA。大量实验表明，QDTQA 在 ComplexWebQuestions 数据集上优于以往最先进方法。此外，我们的分解方法将已有 KBQA 系统提升 12%，并在 LC-QuAD 1.0 上创下新的最先进记录。
引用
@article{arxiv.2306.07597,
title = {Question Decomposition Tree for Answering Complex Questions over Knowledge Bases},
author = {Xiang Huang and Sitao Cheng and Yiheng Shu and Yuheng Bao and Yuzhong Qu},
journal= {arXiv preprint arXiv:2306.07597},
year = {2023}
}
备注
Accepted by AAAI2023