RnG-KBQA：用于知识库问答的生成增强迭代排序方法
计算与语言
2022-03-22 v2
摘要
现有的 KBQA（知识库问答）方法尽管在独立同分布测试数据上取得了强劲性能，却常在泛化至涉及未见知识库模式项的问题时陷入困境。先前的基于排序的方法在泛化上已显示出一定成功，但受限于覆盖问题。我们提出 RnG-KBQA，一种用于 KBQA 的排序与生成（Rank-and-Generate）方法，其借助生成模型补救覆盖问题，同时保留强大的泛化能力。我们的方法首先使用对比排序器对通过在知识图上搜索获得的一组候选逻辑形式进行排序。随后引入一个以问题及排名靠前候选为条件的定制生成模型来组合最终逻辑形式。我们在 GrailQA 与 WebQSP 数据集上取得了新的 SOTA（state-of-the-art，最优）结果。特别地，我们的方法在 GrailQA 排行榜上大幅超越先前的 SOTA。此外，RnG-KBQA 在流行的 WebQSP 基准上优于所有先前方法，甚至包括那些使用 oracle 实体链接的方法。实验结果证明了排序与生成之间相互作用的有效性，这使得我们所提方法在所有设定下均表现出优越性能，尤其在零样本泛化上提升显著。
引用
@article{arxiv.2109.08678,
title = {RnG-KBQA: Generation Augmented Iterative Ranking for Knowledge Base Question Answering},
author = {Xi Ye and Semih Yavuz and Kazuma Hashimoto and Yingbo Zhou and Caiming Xiong},
journal= {arXiv preprint arXiv:2109.08678},
year = {2022}
}
备注
ACL 2022 Camera-ready