研究论文

一种用于多跳知识库问答的动态图扩展网络

作者:

广元张、和

张佩瑜线路接口单元作者信息和声明

体积515,问题C类

页37-47

https://doi.org/10.1016/j.neucom.2022.10.023

出版:2023年1月1日出版历史

摘要

知识库问答旨在通过知识库回答问题。多跳知识库问答是一项具有挑战性的任务，因为它需要根据问题进行多步骤推理才能得到答案。现有模型通过静态子图推断答案，或通过中间信号处理问题的不同部分。前者获得的语义信息有限，而后者由于监督信号较弱而提供的推理有限。本文通过动态扩展子图来消除静态子图推理的局限性，将问题和子图连接起来，形成联合子图。然后，我们调整动态子图以在每个步骤中进行推理。具体来说，在每个步骤中，问题连接不同的子图，在关注问题的特定部分的同时尊重上下文，生成强大的中间信号，作用于随后的推理，最终获得正确的答案。在三个数据集上的大量实验表明，我们的方法比以前的最新模型性能更好。

工具书类

[1]

A.Bordes，S.Chopra，J.Weston，子图嵌入问答，arXiv预印本arXiv:140.6.3676。

[2]

M.Yu，W.Yin，K.S.Hasan，C.d.Santos，B.Xiang，B.Zhou，用于知识库问题回答的改进神经关系检测，arXiv预印本arXiv:1704.06194。

[3]

Y.Chen，L.Wu，M.J.Zaki，基于知识库的双向注意记忆网络，arXiv预印本arXiv:1903.02188。

[4]

Y.Lan，S.Wang，J.Jiang，基于匹配聚合模型和特定问题上下文关系的知识库问答，IEEE/ACM传输。音频语音语言处理。27 (10) (2019) 1629–1638.

[5]

L.Dong，F.Wei，M.Zhou，K.Xu，用多列卷积神经网络对自由基进行问答，收录于：计算语言学协会第53届年会和第7届国际自然语言处理联合会议论文集（第1卷：长篇论文），2015年，第260-269页。

[6]

Yih W.-T.，Chang M.-W.，X.He，J.Gao，通过分阶段查询图生成进行语义分析：基于知识库的问题回答，收录于：计算语言学协会第53届年会和第七届国际自然语言处理联合会议论文集（第1卷：长篇论文），计算语言学协会，中国北京，2015年，第1321–1331页。网址：https://aclantology.org/P15-1128.

[7]

W.-T.Yih，M.Richardson，C.Meek，M.-W.Chang，J.Suh，《语义解析标记在知识库问答中的价值》，载《计算语言学协会第54届年会论文集》（第2卷：短文），2016年，第201–206页。

[8]

C.Liang，J.Berant，Q.Le，K.D.Forbus，N.Lao，神经符号机：在自由基上学习语义解析器，弱监督，arXiv预印本arXiv:1611.00020。

[9]

H.Sun，B.Dhingra，M.Zaheer，K.Mazaitis，R.Salakhutdinov，W.W.Cohen，利用知识库和文本的早期融合进行开放域问答，arXiv预印本arXiv:1809.00782。

[10]

Y.Chen，H.Li，Y.Hua，G.Qi，基于查询结构预测的知识库复杂问答形式查询构建，arXiv预印本arXiv:2109.03614。

[11]

J.Han、B.Cheng、X.Wang、，基于两阶段超图的多跳kbqa动态关系推理IJCAI，2020年，第3615–3621页。

[12]

Y.Lan，S.Wang，J.Jiang，用迭代序列匹配模型回答多跳知识库问题，in：2019年IEEE国际数据挖掘会议（ICDM）IEEE，2019年，第359-368页。

[13]

Y.Zhang，H.Dai，Z.Kozareva，A.J.Smola，L.Song，基于知识图的变分推理答疑，载于：第三十二届AAAI人工智能会议，2018年。

[14]

D.Dua，S.Singh，M.Gardner，中间注释在阅读理解中的益处，摘自：《计算语言学协会第58届年会论文集》，2020年，第5627-5634页。

[15]

R.Das、S.Dhuliawala、M.Zaheer、L.Vilnis、I.Durugkar、A.Krishnamurthy、A.Smola、A.McCallum，走走得出答案：使用强化学习推理知识库中的路径，arXiv预印本arXiv:1711.05851。

[16]

X.V.Lin，R.Socher，C.Xiong，带报酬成形的多跳知识图推理，arXiv预印本arXiv:1808.10568。

[17]

邱勇，王勇，金欣，张凯，弱监督下知识图上多关系问答的逐步推理，载《第十三届网络搜索与数据挖掘国际会议论文集》，2020年，第474-482页。

[18]

G.He，Y.Lan，J.Jiang，W.X.Zhao，J.R.Wen，通过学习中间监督信号改进多跳知识库问答，载于《第十四届ACM网络搜索和数据挖掘国际会议论文集》，2021年，第553-561页。

[19]

J.Shi，S.Cao，L.Hou，J.Li，H.Zhang，Transfernet:关系图上多跳问答的有效透明框架，arXiv预印本arXiv:2104.07302。

[20]

A.Talmor，J.Berant，《网络作为回答复杂问题的知识库》，arXiv预印本arXiv:1803.06643。

[21]

J.Berant，A.Chou，R.Frostig，P.Liang，基于问答对的自由基语义分析，摘自：2013年自然语言处理实证方法会议论文集，2013年，第1533-1544页。

[22]

Lan Y.、Jiang J，从知识库中生成用于回答多跳复杂问题的查询图计算语言学协会，2020年。

[23]

A.Miller，A.Fisch，J.Dodge，A.-H.Karimi，A.Bordes，J.Weston，直接读取文档的键值存储网络，arXiv预印本arXiv:1606.03126。

[24]

H.Sun，T.Bedrax-Weiss，W.W.Cohen，Pulnet：基于知识库和文本的迭代检索的开放域问答，arXiv预印本arXiv:1904.09537。

[25]

K.Xu，S.Reddy，Y.Feng，S.Huang，D.Zhao，基于关系提取和文本证据的自由基问答，arXiv预印本arXiv:1603.00957。

[26]

T.N.Kipf，M.Welling，图卷积网络半监督分类，arXiv预印本arXiv:1609.02907。

[27]

A.Saxena、A.Tripathi、P.Talukdar，《使用知识库嵌入改进知识图上的多跳问答》，载于：《计算语言学协会第58届年会论文集》，2020年，第4498–4507页。

[28]

W.Jin，H.Yu，X.Tao，R.Yin，通过引入关系链推理改进嵌入式知识图多跳问答，CoRR abs/2110.12679。arXiv:2110.12679。网址：https://arxiv.org/abs/2110.12679。

[29]

G.Hinton，O.Vinyals，J.Dean，《在神经网络中提取知识》，arXiv预印本arXiv:153.02531。

[30]

T.Furlanello、Z.Lipton、M.Tschannen、L.Itti、A.Anandkumar，《再生神经网络》，载：机器学习国际会议PMLR，2018年，第1607–1616页。

[31]

Y.Zhang，T.Xiang，T.M.Hospedales，H.Lu，深度相互学习，摘自：IEEE计算机视觉和模式识别会议记录，2018年，第4320–4328页。

[32]

Z.Yang，L.Shou，M.Gong，W.Lin，D.Jiang，网络问答系统中基于两阶段多教师知识提取的模型压缩，载《第十三届网络搜索与数据挖掘国际会议论文集》，2020年，第690-698页。

[33]

T.Do，T.-T.Do，H.Tran，E.Tjiputra，Q.D.Tran，视觉问答的紧凑三线性交互，收录于：IEEE/CVF国际计算机视觉会议论文集，2019年，第392-401页。

[34]

M.Hu，Y.Peng，F.Wei，Z.Huang，D.Li，N.Yang，M.Zhou，用于机器阅读理解的注意引导答案提取，arXiv预印本arXiv:1808.07644。

[35]

D.A.Hudson，C.D.Manning，《通过抽象学习：神经状态机》，arXiv预印本arXiv:1907.03950。

[36]

M.Yasunaga，H.Ren，A.Bosselut，P.Liang，J.Leskovec，Qa-gnn：用语言模型和知识图进行推理，arXiv预印本arXiv:2104.06378。

[37]

L.Qiu，Y.Xiao，Y.Qu，H.Zhou，L.Li，W.Zhang，Y.Y.Yu，用于多跳推理的动态融合图网络，载于：计算语言学协会第57届年会论文集，2019年，第6140–6150页。

[38]

Y.Fang，S.Sun，Z.Gan，R.Pillai，S.Wang，J.Liu，多跳问答的层次图网络，arXiv预印本arXiv:1911.03631。

[39]

孙寅，石庆庆，齐立群，张彦，Jointlk：用语言模型和知识图进行联合推理，用于常识性问题回答，CoRR abs/2112.02732。arXiv:2112.02732。

[40]

J.Pennington，R.Socher，C.D.Manning，《Glove:单词表征的全球向量》，摘自：《2014年自然语言处理经验方法会议论文集》（EMNLP），2014年，第1532-1543页。

[41]

S.Hochreiter、J.Schmidhuber，《长期短期记忆》，神经计算。9 (8) (1997) 1735–1780.

数字图书馆

[42]

S.Kullback，R.A.Leibler，《信息与充分性》，安。数学。斯达。22 (1) (1951) 79–86.

[43]

A.Bordes，N.Usunier，A.Garcia-Duran，J.Weston，O.Yakhnenko，为多关系数据建模翻译嵌入，神经信息处理系统进展26。

[44]

T.Trouillon、J.Welbl、S.Riedel等。Gaussier，G.Bouchard，《简单链接预测的复杂嵌入》，载于：机器学习国际会议，PMLR，2016年，第2071–2080页。

[45]

Y.Liu，M.Ott，N.Goyal，J.Du，M.Joshi，D.Chen，O.Levy，M.Lewis，L.Zettlemoyer，V.Stoyanov，Roberta:一种稳健优化的伯特预训练方法，arXiv预印本arXiv:1907.11692。

[46]

J.Zhang、X.Zhang，J.Yu，J.Tang，J.Tong，C.Li，H.Chen，多跳知识库问答子图检索增强模型，收录于：计算语言学协会第60届年会论文集（第1卷：长篇论文），计算语言学协会，2022年。

引用人

Foolad S公司Kiani K公司(2023)LUKE图神经计算2016年10月10日/j.neucom.2023.126786558：C在线发布日期：2023年11月14日
https://dl.acm.org/doi/10.1016/j.neucom.2023.126786
太阳Q张C胡Z金Z于J刘莉（Liu L）(2023)具有抽象概念证据的不完备知识图上的多跳问答应用智能2007年10月10日/10489-023-04849-153:21(25731-25751)在线发布日期：2023年11月1日
https://dl.acm.org/doi/10.1007/s10489-023-04849-1

索引术语

用于多跳知识库问答的动态图扩展网络
1. 计算方法
  1. 人工智能
2. 信息系统
  1. 信息检索
  2. 信息系统应用

索引项已通过自动分类分配给内容。

建议

通过学习中间监督信号改进多跳知识库问答
WSDM’21：第14届ACM网络搜索和数据挖掘国际会议论文集

多跳知识库问答（KBQA）旨在从问题实体中找出知识库（KB）中的多跳答案实体。一个主要挑战是中间步骤缺乏监督信号。。。
阅读更多信息
知识库问答的两阶段查询图选择
自然语言处理与中文计算
摘要
在知识库问答（KBQA）中，由于其巨大的搜索空间和交互性能要求，寻找问题的最佳答案一直是一个挑战。一个典型的解决方案是通过查找。。。
阅读更多信息
基于知识图表示学习的知识库问答系统
ICIAI’20：2020年第四届国际人工智能创新大会会议记录

知识库问答（KBQA）是指通过从知识图中获取关系或实体来回答问题。知识库在现代问答系统中得到了广泛的应用，它可以找到准确的答案。。。
阅读更多信息

评论

信息和贡献者

问询处

发布于

封面图像神经计算

神经计算第515卷C期

2023年1月

203页

ISSN公司：0925-2312

版权所有©2022。

出版商

爱思唯尔科学出版社。

荷兰

出版历史

出版：2023年1月1日

作者标记

限定符

研究文章

贡献者

其他指标

查看文章指标

文献计量学和引文

文献计量学

文章指标

2
引文总数
查看引文
0
总下载次数

下载量（最近12个月）0
下载次数（最近6周）0

其他指标

查看作者指标

引文

引用人

Foolad S公司Kiani K公司(2023)LUKE图神经计算2016年10月10日/j.neucom.2023.126786558：C在线发布日期：2023年11月14日
https://dl.acm.org/doi/10.1016/j.neucom.2023.126786
周日Q张C胡ZJin Z公司于J刘L(2023)具有抽象概念证据的不完备知识图上的多跳问答应用智能2007年10月10日/10489-023-04849-153:21(25731-25751)在线发布日期：2023年11月1日
https://dl.acm.org/doi/10.1007/s10489-023-04849-1

视图选项

查看选项

获取访问权限

登录选项

检查您是否可以通过登录凭据或您的机构访问本文。

完全访问权限

获取此出版物

媒体

数字

其他

桌子

查看问题目录