ReaRev：面向知识图谱问答的自适应推理
计算与语言
2022-10-26 v1
摘要
知识图谱问答（KGQA）涉及使用自然语言查询从知识图谱（KG）中检索实体作为答案。挑战在于学习对与问题相关的KG事实进行推理，这些事实遍历KG实体并导向问题答案。为便于推理，问题被解码为指令，即用于引导KG遍历的稠密问题表示。然而，若导出的指令与底层KG信息不完全匹配，它们可能导致在无关上下文下进行推理。我们的方法称为ReaRev，针对指令解码与执行两方面提出了一种KGQA推理的新方式。为改进指令解码，我们以自适应方式执行推理，其中利用KG感知信息迭代更新初始指令。为改进指令执行，我们使用图神经网络（GNNs）模拟广度优先搜索（BFS）。BFS策略将指令视为一个集合，并允许我们的方法即时决定其执行顺序。在三个KGQA基准上的实验结果展示了ReaRev相较于先前最先进方法的有效性，尤其是在KG不完整或我们处理复杂问题时。我们的代码公开于 https://github.com/cmavro/ReaRev_KGQA。
引用
@article{arxiv.2210.13650,
title = {ReaRev: Adaptive Reasoning for Question Answering over Knowledge Graphs},
author = {Costas Mavromatis and George Karypis},
journal= {arXiv preprint arXiv:2210.13650},
year = {2022}
}