笔记整理:李继统,天津大学硕士
链接:https://arxiv.org/pdf/2104.06378.pdf
1. 动机
目前现有的方法,对于QA上下文使用LM处理,对于KG使用GNN进行处理,并且并不相互更新彼此的表示,也不做语义的对齐表示。因此QA上下文与KG的分离表示可能会限制模型执行结构化推理的能力(比如处理否定问题)。因此本篇工作主要在于QA上下文与KG的融合表示。
2. 亮点
基于知识图谱的问答(KBQA)集中于知识图谱上的多跳推理以及语言模型与知识图谱的融合,目前的方法需要解决两个问题:
(1)在给定上下文的条件下,如何从规模巨大的知识图谱中检索出相关的知识。
(2)如何进行问答上下文与知识图谱的联合推理。
本文提出了一个新的模型:QA-GNN,通过两个关键性创新来尝试解决上述问题:
(1)相关性评分:在给定问答上下文的条件下,使用语言模型计算相关性评分,来估计知识图谱中的实体对于给定上下文的重要性。
(2)联合推理:将问答上下文与筛选出的知识图谱的子图构建一