VOGUE：通过多任务学习实现答案 verbalization
计算与语言
2021-06-29 v2
摘要
近年来，知识图谱问答（KGQA）取得了显著发展。尽管有诸多值得注意的进展，当前的 KGQA 系统仅关注答案生成技术，而不关注答案 verbalization。然而，在真实场景（例如 Alexa、Siri 等语音助手）中，用户更倾向于 verbalized 答案而非生成的响应。本文针对知识图谱上（复杂）问答的答案 verbalization 任务展开研究。在此背景下，我们提出了一种基于多任务的答案 verbalization 框架：VOGUE（Verbalization thrOuGh mUlti-task lEarning）。VOGUE 框架试图通过多任务学习范式，采用混合方法生成 verbalized 答案。我们的框架可基于同时以问题和查询作为输入来生成结果。VOGUE 包含四个通过多任务学习同时训练的模块。我们在现有的答案 verbalization 数据集上评估了我们的框架，其在 BLEU 和 METEOR 分数上均优于当前所有基线。
引用
@article{arxiv.2106.13316,
title = {VOGUE: Answer Verbalization through Multi-Task Learning},
author = {Endri Kacupaj and Shyamnath Premnadh and Kuldeep Singh and Jens Lehmann and Maria Maleshkova},
journal= {arXiv preprint arXiv:2106.13316},
year = {2021}
}
备注
Machine Learning and Knowledge Discovery in Databases - European Conference, ECML PKDD 2021