A Simple and Effective IR Approach to Simple Question Answering over Knowledge Graphs 论文解读

Retrieve and Re-rank: A Simple and Effective IR Approach to Simple Question Answering over Knowledge Graphs  论文解读

本篇论文是18年的EMNLP的一篇paper主要用在kbqa领域，本文章首先介绍他的详细步骤，最后再介绍该文章的创新点

 

一、详细步骤

1. Solr + BM25

第一步基于query和KB（knowledge base）通过solr和BM25检索出200个相似度最高的三元组事实，第一步的相似度score分由下面公式①（可在文末看相应的详细解释）给出：

 

2. candidate re-ranking

 Re-rank模型的网络结构TSSHCNN如下：

 

（1）Input

（2）Convolution

（3）Max-pooling

（4）Concat+FCL

（5） loss function

（1）从图中可以看出有三种input分别是Q（question）、tuple、Q+tuple

（2）CNN，文中给出CNN是孪生网络（即卷积核参数共享），至于卷积的具体措施没有给出（textcnn还是传统的类似2*2卷积核等等）

（3）Max-pooling 是指每个颜色通道提取出一维的数吗？文中感觉给的还是粗燥

（4）Concat + 全连接感觉没啥说的

（5）Loss function 是 ranking loss

 

二、创新点

1. 本文抛弃了传统的先NER再relation mapping的思路，而是用了一种类似端到端的思路，并且用了SOLR+BM25来进行初步选择
2. 将答案加入到模型中去（不是关系匹配，而且直接将整个三元组作为匹配的对象），充分考虑到了答案的语义
3. 有种扩充负样本数据集的思想在里面

 

 

①BM25  https://blog.csdn.net/weixin_41090915/article/details/79053584

② paper：https://www.aclweb.org/anthology/W18-5504/