子图检索增强的多跳知识库问答模型
计算与语言
2022-07-28 v2
摘要
近期知识库问答（KBQA）的工作通过检索子图以简化推理。理想的子图至关重要，因为过小的子图可能排除答案，而过大的子图可能引入更多噪声。然而，现有检索或是启发式的，或是与推理交织在一起，导致在部分子图上推理，当缺乏中间监督时增加了推理偏差。本文提出一个可从后续推理过程解耦的可训练子图检索器（SR），其支持即插即用框架以增强任意面向子图的 KBQA 模型。大量实验表明 SR 比现有检索方法取得显著更优的检索与问答性能。通过弱监督预训练及端到端微调，SR 与面向子图的推理器 NSM 结合时，在基于嵌入的 KBQA 方法中达到了新的 SOTA 性能。
引用
@article{arxiv.2202.13296,
title = {Subgraph Retrieval Enhanced Model for Multi-hop Knowledge Base Question Answering},
author = {Jing Zhang and Xiaokang Zhang and Jifan Yu and Jian Tang and Jie Tang and Cuiping Li and Hong Chen},
journal= {arXiv preprint arXiv:2202.13296},
year = {2022}
}
备注
The experimental results are updated by fixing the data leakage issue in the code