本文提出了一种元强化学习方法，针对复杂知识图谱问答任务，尤其是不平衡数据分布和单一模型性能不足的问题。通过建立非监督检索器和使用少量样本，模型在CQA任务上达到了state-of-the-art性能。方法包括自适应生成新参数、找到支撑集并微调解答器，以及通过强化学习进行训练。
笔记整理 | 谭亦鸣，东南大学博士生
来源：EMNLP 2020
链接：https://www.aclweb.org/anthology/2020.emnlp-main.469.pdf
本文关注聚合型复杂知识图谱问答任务，这类复杂问题的答案通常需要经过一些集合操作得到，例如：选择Selecting，计数Counting，比较Comparing，交并集Interp&Union，Boolean等，一个比较经典的问题就是 “有多少条河流同时经过中国和印度？”（下表描述了其他一些类型的复杂问题），该问题答案可以通过”Select(China, flow, river), Interp(India, flow, river), Count”得到。
在当前的研究中，复杂知识图谱问答任务存在两个主要挑战：
1.不平衡的数据分布以及不稳定的模型性能：基于现有的CQA数据集，
最低0.47元/天 解锁文章
扫一扫
1492
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
