序列到序列的知识图谱补全与问答
计算与语言
2022-03-22 v1 机器学习
摘要
知识图谱嵌入（KGE）模型用低维嵌入向量表示知识图谱（KG）中的每个实体和关系。这些方法最近已被应用于 KG 链接预测和不完整 KG 上的问答（KGQA）。KGE 通常为图中的每个实体创建一个嵌入，这在拥有数百万实体的真实世界图谱上导致模型规模庞大。对于下游任务，这些原子化的实体表示往往需要集成到多阶段流水线中，限制了其实用性。我们证明，现成的编码器-解码器 Transformer 模型可以作为一个可扩展且通用的 KGE 模型，在 KG 链接预测和不完整 KG 问答任务上取得最先进的结果。我们通过将 KG 链接预测建模为序列到序列任务，并用自回归解码替代先前 KGE 方法采用的三元组评分方法来实现这一点。这种简单而强大的方法相比传统 KGE 模型，模型大小减少了高达 98%，同时保持推理时间可控。在不完整 KG 上的 KGQA 任务上对该模型进行微调后，我们的方法在多个大规模数据集上超越了基线，且无需进行大量的超参数调优。
引用
@article{arxiv.2203.10321,
title = {Sequence-to-Sequence Knowledge Graph Completion and Question Answering},
author = {Apoorv Saxena and Adrian Kochsiek and Rainer Gemulla},
journal= {arXiv preprint arXiv:2203.10321},
year = {2022}
}
备注
ACL 2022 Main Conference