UniKGQA：面向知识图谱多跳问答的统一检索与推理方法

知识图谱上的多跳问答（KGQA）旨在大规模知识图谱（KG）上找到与自然语言问题中提及的主题实体相距多跳的答案实体。为应对庞大的搜索空间，现有工作通常采用两阶段方法：先检索与问题相关的一个相对较小的子图，然后在子图上执行推理以准确找到答案实体。尽管这两个阶段高度相关，先前工作在为检索和推理模型开发时采用了非常不同的技术方案，忽视了它们在任务本质上的关联性。本文中，我们提出 UniKGQA，一种用于多跳 KGQA 任务的新方法，通过在模型架构和参数学习两方面统一检索与推理。在模型架构上，UniKGQA 由一个基于预训练语言模型（PLM）的语义匹配模块用于问题-关系语义匹配，以及一个匹配信息传播模块用于将匹配信息沿 KG 上的有向边传播。在参数学习上，我们设计了一个基于问题-关系匹配的共享预训练任务用于检索和推理模型，进而提出面向检索和面向推理的微调策略。与先前研究相比，我们的方法更为统一，将检索与推理阶段紧密关联。在三个基准数据集上的大量实验证明了我们的方法在多跳 KGQA 任务上的有效性。我们的代码和数据公开于 \url{https://github.com/RUCAIBox/UniKGQA}。