TwiRGCN：用于时序知识图谱问答的时间加权图卷积
计算与语言
2023-10-09 v2 人工智能
摘要
近年来，针对知识图谱（KG）进行复杂问答（QA）的时序推理受到广泛关注，但其与人类能力之间仍存在显著差距。我们探索如何将关系图卷积网络（RGCN）推广用于时序 KGQA。具体而言，我们提出了一种新颖、直观且可解释的 scheme，基于 KG 边所关联时间段与问题的相关性来调制卷积期间通过该边传递的消息。我们还引入了一种门控装置来预测复杂时序问题的答案更可能是 KG 实体还是时间，并利用该预测来引导我们的打分机制。我们在 TimeQuestions（一个近期发布的、具有挑战性的多跳复杂时序 QA 数据集）上评估了所得系统，称之为 TwiRGCN。我们表明 TwiRGCN 在该数据集上跨多种问题类型显著优于最先进系统。值得注意的是，对于最困难的序数和隐式问题类型，TwiRGCN 将准确率提高了 9--10 个百分点。
引用
@article{arxiv.2210.06281,
title = {TwiRGCN: Temporally Weighted Graph Convolution for Question Answering over Temporal Knowledge Graphs},
author = {Aditya Sharma and Apoorv Saxena and Chitrank Gupta and Seyed Mehran Kazemi and Partha Talukdar and Soumen Chakrabarti},
journal= {arXiv preprint arXiv:2210.06281},
year = {2023}
}
备注
9 pages + references + appendix