?PaperWeekly 原創(chuàng) ·?作者｜舒意恒

學校｜南京大學碩士生

研究方向｜知識圖譜

論文標題：

Open Domain Question Answering based on Text Enhanced Knowledge Graph with Hyperedge Infusion

論文鏈接：

https://www.aclweb.org/anthology/2020.findings-emnlp.133

摘要

知識庫的不完整性是限制知識庫問答系統(tǒng)表現(xiàn)的關(guān)鍵因素。在知識庫外部，文本擁有比知識庫更豐富的信息，可用于彌補知識庫的不完整性，但同時文本對于計算機更難理解。

該文提出一種利用文本來增強知識庫的新的 QA 方法，模型通過文本中蘊含的語義信息來豐富實體表示，并利用圖卷積網(wǎng)絡(luò)來更新實體狀態(tài)。

另外，為了探索文本的潛在結(jié)構(gòu)信息，作者將文本視為連接實體的超邊，來補充知識庫中不完整的關(guān)系。超圖卷積網(wǎng)絡(luò)被用于超圖形式的文本上的推理。在 WebQuestionSP 基準測試上的實驗證明了該模型在不同 KB 上的有效性。

介紹

開放域問答是嘗試回答給定自然語言的事實型問題的任務(wù)。根據(jù)利用的信息源，QA 系統(tǒng)可以分為基于知識的（KBQA）和基于文本的（TBQA）。KBQA 通過結(jié)構(gòu)化的知識庫獲取答案，易于查詢和推理，但是受限于知識庫中三元組的不完整性。

TBQA 的信息源是普通文本，包含豐富的語義和潛在的結(jié)構(gòu)信息。但是，對于機器來講是難以理解的。這種互補的性質(zhì)啟發(fā)研究者融合這兩種信息，增強不完整的知識庫，并進一步提升問答系統(tǒng)的表現(xiàn)。

作者認為當前融合知識庫和文本的工作，即使取得了一定表現(xiàn)，文本信息仍然沒有被充分利用，特別是文本中實體間的關(guān)系信息。圖 1 展示了當 KB 不完整時回答問題的一個例子。通過利用文本的結(jié)構(gòu)信息，該問題可以被充分回答。

該文主要介紹了一個新穎的 QA 模型，它基于文本增強的知識圖譜，通過文本的語義信息來豐富實體表示，并通過文本中的結(jié)構(gòu)信息補充知識庫中的關(guān)系。具體來說，模型首先結(jié)合文本信息，編碼知識庫中的實體，并應用圖卷積網(wǎng)絡(luò)在 KB 上進行推理。

注意，一個文檔通常包含多個實體，作者利用文本中連接實體的超邊，將非結(jié)構(gòu)化的文本轉(zhuǎn)換為結(jié)構(gòu)化的超圖，并使用超圖卷積神經(jīng)網(wǎng)絡(luò)來更新實體狀態(tài)。最終，模型預測答案。

模型

2.1 任務(wù)定義

作者遵循 Sun 等人 [1] 的設(shè)定，為每個問題構(gòu)建一個子圖。給定一個問題，相關(guān)的子知識庫通過 Personlized PageRank 算法抽取，相關(guān)的文本語料庫通過現(xiàn)有的檢索器 [2] 從維基百科中獲取。任務(wù)要求從所有的知識庫和文檔實體中提取答案。模型的概覽如圖 2 所示。

即如何查找知識庫的子圖，以及從維基百科中檢索相關(guān)文檔，并非本文的重點。

2.2 輸入編碼器

輸入編碼器包含對查詢、文本和 KB 的編碼。

查詢和文本編碼器：雙向 LSTM 網(wǎng)絡(luò)被用于分別編碼查詢和文檔，并獲取隱藏狀態(tài)。然后，通過注意力機制計算查詢和文檔的表示。

KB 編碼器：每個實體通過預訓練的知識圖譜嵌入 進行初始化。關(guān)系通過語義向量和 KG 嵌入 初始化。在具體實現(xiàn)中，作者使用的是 TransE 嵌入 [3]。

2.3 文本增強的知識圖譜上的推理

該組件利用文本信息，通過豐富實體表示和添加超邊來改進不完整的知識庫，并將 GCN 和 HGCN 用于推理。

用于實體的 GCN：為了利用包含在文本中的豐富的語義知識，作者使用一個二元矩陣，表示文檔中的實體片段，并將信息從文檔傳遞給實體，以形成感知文本的實體表示 ，然后拼接 獲得初始結(jié)點表示 。

然后，模型通過聚合實體特征來學習實體表示。

超圖文本的 HGCN：該模型將純文本視為連接文本間實體的超邊，以補充 KB 中缺乏的關(guān)系。HGCN 被用于對超圖形式的文本進行編碼，另外，兩步注意力用于捕獲不同實體和文檔的重要性。在這一層中，模型首先將實體特征轉(zhuǎn)移到相連的超邊上，形成文本表示：

然后，模型聚合文檔的信息，更新相連的實體狀態(tài)。

2.4 答案預測

在 GCN 層和 HGCN 層后，模型最終預測每個實體成為答案的概率。

實驗

數(shù)據(jù)集

作者在 WebQuestionsSP [4] 上進行實驗，它是一個多答案 QA 數(shù)據(jù)集，包含 4737 個問題。數(shù)據(jù)集的基本統(tǒng)計信息如表 1 所示。

實驗結(jié)果

實驗采用的指標是 Hits@1 和 F1，分別代表模型預測的最高答案的準確性和預測所有答案的能力。如表 2 所示，該模型在僅 KB 設(shè)置中的表現(xiàn)具有一定競爭力，在其他兩個設(shè)置中達到了最佳效果。這表明將文檔視為超邊的有效性，其增強策略可以通過引入文本中隱含的語義和結(jié)構(gòu)信息來有效地增強不完整的 KB。

結(jié)論

該文提出了一種旨在通過文本信息增強不完整知識庫的 QA 方法，充分挖掘了文本中的語義信息和潛在結(jié)構(gòu)信息，特別是將文本作為超邊來補充 KB 中不完整的關(guān)系。

該模型首先應用 GCN 對實體豐富的 KB 進行編碼，然后采用 HGCN 對超圖形式的文本進一步推理，并預測最終的答案。在 WebQuestionsSP 基準上的實驗結(jié)果證明了該模型和每個組件的有效性。

參考文獻

[1] Haitian Sun, Bhuwan Dhingra, Manzil Zaheer, Kathryn Mazaitis, Ruslan Salakhutdinov, and William W. Cohen. 2018. Open domain question answering using early fusion of knowledge bases and text.

[2] Danqi Chen, Adam Fisch, Jason Weston, and Antoine Bordes. 2017. Reading wikipedia to answer open domain questions.

[3] Antoine Bordes, Nicolas Usunier, Alberto Garc?a- Duran, Jason Weston, and Oksana Yakhnenko. 2013. Translating embeddings for modeling multi-relational data.

[4] Wen-tau Yih, Matthew Richardson, Christopher Meek, Ming-Wei Chang, and Jina Suh. 2016. The value of semantic parse labeling for knowledge base question answering.

更多閱讀

#投 稿?通 道#

?讓你的論文被更多人看到?

如何才能讓更多的優(yōu)質(zhì)內(nèi)容以更短路徑到達讀者群體，縮短讀者尋找優(yōu)質(zhì)內(nèi)容的成本呢？答案就是：你不認識的人。

總有一些你不認識的人，知道你想知道的東西。PaperWeekly 或許可以成為一座橋梁，促使不同背景、不同方向的學者和學術(shù)靈感相互碰撞，迸發(fā)出更多的可能性。?

PaperWeekly 鼓勵高校實驗室或個人，在我們的平臺上分享各類優(yōu)質(zhì)內(nèi)容，可以是最新論文解讀，也可以是學習心得或技術(shù)干貨。我們的目的只有一個，讓知識真正流動起來。

?????來稿標準：

? 稿件確系個人原創(chuàng)作品，來稿需注明作者個人信息（姓名+學校/工作單位+學歷/職位+研究方向）?

? 如果文章并非首發(fā)，請在投稿時提醒并附上所有已發(fā)布鏈接?

? PaperWeekly 默認每篇文章都是首發(fā)，均會添加“原創(chuàng)”標志

?????投稿郵箱：

? 投稿郵箱：hr@paperweekly.site?

? 所有文章配圖，請單獨在附件中發(fā)送?

? 請留下即時聯(lián)系方式（微信或手機），以便我們在編輯發(fā)布時和作者溝通

????

現(xiàn)在，在「知乎」也能找到我們了

進入知乎首頁搜索「PaperWeekly」

點擊「關(guān)注」訂閱我們的專欄吧

關(guān)于PaperWeekly

PaperWeekly 是一個推薦、解讀、討論、報道人工智能前沿論文成果的學術(shù)平臺。如果你研究或從事 AI 領(lǐng)域，歡迎在公眾號后臺點擊「交流群」，小助手將把你帶入 PaperWeekly 的交流群里。

總結(jié)

以上是生活随笔為你收集整理的EMNLP 2020 | 基于超边融合的文本增强知识图谱开放域问答的全部內(nèi)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(wǎng)站內(nèi)容還不錯，歡迎將生活随笔推薦給好友。