《PullNet：迭代检索知识图谱和文本语料进行开放域问答》论文嚼读

题目： PullNet: Open Domain Question Answering with Iterative Retrieval on Knowledge Bases and Text

来源： EMNLP 2019

链接： https://arxiv.org/pdf/1904.09537.pdf

---

Introduction：

如今开放域问答的一个主流方法，利用维基百科和结构化知识图谱两者的结合来完成问答。目前比较好的思想是早期融合(early fusion)和后期融合(late fusion)的模型，并且已知前者是优于后者的。
然而，这些模型(主要指早期融合(early fusion)的GRAFT-net，这也是该作者的前一篇优秀工作，已有其它人对此工作进行解读-参考)在抽取子图时都是采用启发式规则的检索方法，该法并不显得智能化，会产生一些与答案无关或者答案无需利用到的子图。
而本文关注的重点就在于“学会自主检索”，即让模型自己懂得该(从$KB$、文本语料)检索什么。文本称此为$“Pull”$操作。
自然地，另一个重点就在于“如何更好地组合这些异构信息”为单个数据结构来更好的推理出答案。

---

Contribution：

1. 本文提出新的思想“Pull”，能够智能化扩充问题子图，即自主学习利用此操作抽取得问题相关的子图；
2. 组合前一步得到的异构信息”，更新子图，最后利用GCN对节点进行表示学习，进而分类判断是否答案。

---

Model：

任务介绍：

给定问题$q$，模型从知识图谱和文本语料两类知识源中检索得相关信息，构建出能用以回答的问题子图。

G n = { ν , ε } G_n=\{\nu, \varepsilon \} Gn​={ ν,ε}：问题$q$的子图，也称为异构图，包含了与问题相关的文本语料和知识图谱的信息。$\nu$为节点集合。

$\nu ={\nu }_e\cup {\nu }_d\cup {\nu }_f$：其中${\nu }_e$为实体节点集，${\nu }_d$为文本节点集，${\nu }_f$为事实节点集

单个实体节点：$v_e\in {\nu }_e$，源自$KB$

单个文本节点： v d = { w 1 , . . . , w ∣ d ∣ } v_d=\{w_1, ..., w_{|d|}\} vd​={ w1​,...,w∣d∣​}，$v_d\in {\nu }_d$，在本文中单个句子即为一个文本，源自Text Corpus

单个事实节点：$v_f$