SQALER：通过解耦多跳与逻辑推理实现问答扩展
机器学习
2021-10-28 v1 人工智能
计算与语言
信息检索
摘要
当前在知识图谱(KGs)上进行推理与问答的最优方法通常随边数呈扩展，且只能有效应用于小的实例相关子图。本文通过证明多跳及更复杂的逻辑推理可分离完成而不损失表达能力，来解决该问题。受此启发，我们提出一种多跳推理方法，其随图中关系类型数量线性扩展，而关系类型数通常远小于边数或节点数。这产生一组候选解，可证明地被精炼以恢复原始问题的解。我们在基于知识的问答上的实验表明，我们的方法解决了多跳MetaQA数据集，在更具挑战性的WebQuestionsSP上达到新的SOTA，比竞争方法的可扩展性高数个量级，并且能实现训练分布之外的组合泛化。
引用
@article{arxiv.2110.14266,
title = {SQALER: Scaling Question Answering by Decoupling Multi-Hop and Logical Reasoning},
author = {Mattia Atzeni and Jasmina Bogojeska and Andreas Loukas},
journal= {arXiv preprint arXiv:2110.14266},
year = {2021}
}
备注
NeurIPS 2021