SYGMA：面向知识库上可泛化模块化问答的系统
计算与语言
2021-09-29 v1 人工智能
摘要
涉及复杂推理的知识库问答（KBQA）任务正成为一个重要的研究方向。然而，大多数 KBQA 系统在泛化能力上面临挑战，尤其在两个维度上：(a) 跨多种推理类型，现有数据集与系统主要聚焦于多跳推理；(b) 跨多个知识库，KBQA 方法通常专门针对单一知识库调优。本文提出 SYGMA，一种促进跨多个知识库与多种推理类型泛化的模块化方法。具体而言，SYGMA 包含三个高层模块：1) 跨知识库通用的知识库无关问题理解模块；2) 支持额外推理类型的规则；3) 处理答案抽取中知识库特定方面的知识库特定问题映射与回答模块。我们在属于两个不同知识库（DBpedia 与 Wikidata）的数据集上评估了系统有效性。此外，为展示对额外推理类型的可扩展性，我们在多跳推理数据集及本文引入的 Wikidata 上新的时序 KBQA 基准数据集 TempQA-WD1 上进行了评估。我们表明，我们的泛化方法在 DBpedia 与 Wikidata 上需要多跳与时序推理的多个数据集上均具有更具竞争力的性能。
引用
@article{arxiv.2109.13430,
title = {SYGMA: System for Generalizable Modular Question Answering OverKnowledge Bases},
author = {Sumit Neelam and Udit Sharma and Hima Karanam and Shajith Ikbal and Pavan Kapanipathi and Ibrahim Abdelaziz and Nandana Mihindukulasooriya and Young-Suk Lee and Santosh Srivastava and Cezar Pendus and Saswati Dana and Dinesh Garg and Achille Fokoue and G P Shrivatsa Bhargav and Dinesh Khandelwal and Srinivas Ravishankar and Sairam Gurajada and Maria Chang and Rosario Uceda-Sosa and Salim Roukos and Alexander Gray and Guilherme LimaRyan Riegel and Francois Luus and L Venkata Subramaniam},
journal= {arXiv preprint arXiv:2109.13430},
year = {2021}
}