Subgraph Retrieval Enhanced Model for Multi-hop Knowledge Base Question Answering

本文是LLM系列的文章，针对《Subgraph Retrieval Enhanced Model for Multi-hop Knowledge Base Question Answering》的翻译。

摘要

最近关于知识库问答（KBQA）的工作检索子图以便于推理。所需的子图至关重要，因为小个子图可能会排除答案，但大个子图可能引入更多噪声。然而，现有的检索要么是启发式的，要么与推理交织在一起，导致在部分子图上进行推理，这增加了在缺少中间监督时的推理偏差。本文提出了一种与后续推理过程解耦的可训练子图检索器（SR），它使即插即用框架能够增强任何面向子图的KBQA模型。大量实验表明，SR的检索和QA性能明显优于现有的检索方法。通过弱监督预训练和端到端微调，SR与NSM相结合，实现了新的最先进的性能，NSM是一种面向子图的推理器，用于基于嵌入的KBQA方法。代码和数据集可在线获取。

1 引言

2 相关工作

3 问题定义

4 子图检索器（SR）

5 训练策略

6 实验

7 结论

我们提出了一个子图检索器（SR）与KBQA的后续推理器解耦。SR被设计为一种高效的双编码器，可以在扩展路径时更新问题，并确定扩展的停止。在两个研究良好的基准上的实验结果表明，如果在面向子图的推理器之前注入SR，则SR在提高QA性能方面会起到作用。如果通过