UNIQORN：基于RDF知识图谱与自然语言文本的统一问答

对RDF数据（如知识图谱）的问答已取得重大进展，许多优秀系统能为自然语言问题或电报式查询提供准确答案。其中一些系统将文本源作为回答过程的额外证据，但无法计算仅存在于文本中的答案。反之，IR和NLP社区已研究过文本上的QA，但此类系统几乎未利用语义数据和知识。本文提出一种处理复杂问题的方法，可在统一框架中无缝作用于RDF数据集与文本语料的混合或单一来源。我们的方法称为UNIQORN，通过微调的BERT模型从RDF数据和/或文本语料中检索与问题相关的证据，即时构建上下文图。所得图通常包含所有问题相关证据，但也有大量噪声。UNIQORN通过用于组斯坦纳树（Group Steiner Trees）的图算法应对该输入，在上下文图中识别最佳答案候选。在多个含多实体与关系的复杂问题基准上的实验表明，UNIQORN在完全训练模式与零样本设置下均显著优于异构QA的最先进方法。该基于图的方法为完整回答过程提供了用户可解释的证据。