基于知识表示学习的KBQA答案推理重排序算法

TP391.1; 现有的知识库问答(KBQA)研究通常依赖于完善的知识库,忽视了实际应用中知识图谱稀疏性这一关键问题.为了弥补该不足,引入了知识表示学习方法,将知识库转换为低维向量,有效摆脱了传统模型中对子图搜索空间的依赖,并实现了对隐式关系的推理,这是以往研究所未涉及到的.其次,针对传统KBQA在信息检索中常见的问句语义理解错误对下游问答推理的错误传播,引入了一种基于知识表示学习的答案推理重排序机制.该机制使用伪孪生网络分别对知识三元组和问句进行表征,并融合上游任务核心实体关注度评估阶段的特征,以实现对答案推理结果三元组的有效重排序.最后,为了验证所提算法的有效性,在中国移动RPA知识图谱问...

Full description

Saved in:
Bibliographic Details
Published in计算机应用研究 Vol. 41; no. 7; pp. 1983 - 1991
Main Authors 晋艳峰, 黄海来, 林沿铮, 王攸妙
Format Journal Article
LanguageChinese
Published 复旦大学 软件学院,上海 200433%北京交通大学交通运输学院,北京 100044 2024
上海申通地铁集团有限公司,上海 201103%北京交通大学交通运输学院,北京 100044
Subjects
答案推理
knowledge graph question answering
answer reasoning
知识表示学习
knowledge representation learning
知识图谱
knowledge graph
知识库问答
Online AccessGet full text
ISSN1001-3695
DOI10.19734/j.issn.1001-3695.2023.11.0545

Cover

More Information
Summary:TP391.1; 现有的知识库问答(KBQA)研究通常依赖于完善的知识库,忽视了实际应用中知识图谱稀疏性这一关键问题.为了弥补该不足,引入了知识表示学习方法,将知识库转换为低维向量,有效摆脱了传统模型中对子图搜索空间的依赖,并实现了对隐式关系的推理,这是以往研究所未涉及到的.其次,针对传统KBQA在信息检索中常见的问句语义理解错误对下游问答推理的错误传播,引入了一种基于知识表示学习的答案推理重排序机制.该机制使用伪孪生网络分别对知识三元组和问句进行表征,并融合上游任务核心实体关注度评估阶段的特征,以实现对答案推理结果三元组的有效重排序.最后,为了验证所提算法的有效性,在中国移动RPA知识图谱问答系统与英文开源数据集下分别进行了对比实验.实验结果显示,相比现有的同类模型,该算法在hits@n、准确率、F1值等多个关键评估指标上均表现更佳,证明了基于知识表示学习的KBQA答案推理重排序算法在处理稀疏知识图谱的隐式关系推理和KBQA答案推理方面的优越性.
ISSN:1001-3695
DOI:10.19734/j.issn.1001-3695.2023.11.0545