論文筆記整理：譚亦鳴，東南大學博士生，研究方向為跨語言知識圖譜問答。

---

來源：COLING?2018

鏈接：https://www.aclweb.org/anthology/C18-1171

?

問題背景與動機

多關系問答（multi-relationquestion answering）是知識問答的一個重要任務，“多關系”指的是問題中包含多個關系和實體信息，為了回答這類問題，需要對知識庫中多個事實三元組進行分析和推理。

?

現有的方法主要可以分為兩類：基于語義分析；基于embedding；

?

基于語義分析的方法主要依賴于人工特征與標注，但是泛化能力較弱。

基于embedding的方法一般利用弱監督機制訓練得到end-to-end問答模型，但是現有的方法主要依賴于相似度計算而在推理方面有所欠缺。

?

在這篇文章中，作者提出‘可解釋推理網絡（Interpretable Reason Network，IRN）模型’用于解決多關系問答。通過多跳推理的形式完成多關系問題的問答過程。

?

貢獻

1.????提出面向多關系問答的IRN模型，并在性能上取得了state-of-art

2.?? 相對于現有推理網絡，這篇文章提出的方法更具可解釋性，多跳推理的過程可以清晰的反映答案生成的過程

模型

IRN的整體框架如圖所示，其中包含三個子模型：Input Module; ReasoningModule; Answer Module，分別用于問句的embedding，三元組推理以及答案的生成。

以問題‘Howold is Obama’s daughter?’ 為例，問題的解析、推理和回答過程包含三跳(3 hops)，每個hop包含的過程相同，描述如下：

1.????Input Module：輸入問題(僅初始)，得到問題的embedding形式q

2.????Reasoning Module：輸入q，以及對問題NER得到的實體信息e₁，找到對應的關系r₁

3.????Input Module：將已識別關系信息r₁從q中去除，得到更新的q’，用于下一步推理

4.????Answer Module：根據已得到的e₁和r₁從知識庫中找到對應的答案信息

5.????Reasoning Module：將已分析實體信息e₁與關系信息r₁融合，并用于下一步推理

?

其中，獲取關系r的計算過程如以下公式所示：

實驗

實驗數據

本文實驗所使用的數據基于WorldCup2014，數據集的統計信息由表1所示。

?

實驗結果

對比模型說明：

1.????Embed (Bordes et al., 2014b)：利用embedding空間將問題和答案進行匹配的方法

2.????Subgraph (Bordes et al., 2014a)：在Embed基礎上利用實體子圖加強答案實體的表達

3.?? Seq2Seq (Sutskever et al., 2014)：使用基于LSTM的encoder-decoder實現的語義解析模型

4.?? MemN2N (Sukhbaatar et al., 2015)：使用記憶網絡構建的end2end模型，其中記憶單元包含了相關的三元組信息

5.?? KVMemN2N (Miller et al., 2016)：在MemN2N的基礎上，將記憶單元劃分為鍵-值兩個部分，鍵為頭實體及關系，值為尾實體

6.????IRN-weak (This paper)

?

可解釋性分析

表3反映了IRN在多跳過程中識別關系和實體的精準度，r₁/e₁ -> r_n/e_n -> a

?

---

OpenKG

開放知識圖譜（簡稱 OpenKG）旨在促進中文知識圖譜數據的開放與互聯，促進知識圖譜和語義技術的普及和廣泛應用。

點擊閱讀原文，進入 OpenKG 博客。

總結

以上是生活随笔為你收集整理的论文浅尝 | 一种用于多关系问答的可解释推理网络的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。