SQUIRE：一种用于多跳知识图谱推理的序列到序列框架
计算与语言
2022-11-01 v3 社会与信息网络
摘要
近年来，多跳知识图谱（KG）推理被广泛研究，以通过证据路径对缺失链接提供可解释的预测。大多数先前工作使用基于强化学习（RL）的方法，学习朝目标实体导航路径。然而，这些方法存在收敛慢且收敛性差的问题，并且当路径上存在缺失边时可能无法推断出特定路径。本文提出 SQUIRE，首个基于序列到序列的多跳推理框架，其利用编码器-解码器 Transformer 结构将查询翻译为一条路径。我们的框架带来两点好处：（1）能够以端到端方式学习与预测，从而获得更好且更快的收敛；（2）我们的 Transformer 模型不依赖已有边来生成路径，并具有补全路径上缺失边的灵活性，尤其在稀疏 KG 中。在标准与稀疏 KG 上的实验表明，我们的方法相较先前方法取得显著提升，同时收敛速度快 4–7 倍。
引用
@article{arxiv.2201.06206,
title = {SQUIRE: A Sequence-to-sequence Framework for Multi-hop Knowledge Graph Reasoning},
author = {Yushi Bai and Xin Lv and Juanzi Li and Lei Hou and Yincen Qu and Zelin Dai and Feiyu Xiong},
journal= {arXiv preprint arXiv:2201.06206},
year = {2022}
}
备注
EMNLP 2022. Code is available at https://github.com/bys0318/SQUIRE