子图检索增强图-文本对齐用于常识问答

常识问答是一项关键任务，要求机器根据常识进行推理。此前研究主要采用提取与建模范式来利用知识图谱中的信息，即首先基于预定义规则提取相关子图，然后设计多种策略以提升所提取结构知识的表示与融合效果。尽管这些方法有效，但仍存在两个挑战。一方面，基于规则提取的子图可能遗漏关键节点并导致子图规模不可控。另一方面，图与文本模态之间的错位削弱了知识融合的效果，最终影响任务性能。为解决上述问题，我们提出了一种新框架：子图检索增强图-文本对齐（SEPTA）。首先，我们将知识图谱转换为子图向量数据库，并提出一种类BFS的子图采样策略以避免信息损失，该策略利用了BFS与消息传递机制之间的类比关系。此外，我们提出了一种双向对比学习方法用于图-文本对齐，有效增强了子图检索与知识融合。最后，所有检索到的信息在预测模块中结合用于推理。在五个数据集上的大量实验证明了该框架的有效性与鲁棒性。