Press "Enter" to skip to content

论文浅尝 – EMNLP2020 | 基于知识库的多跳关系推理

本站内容均来自兴趣收集,如不慎侵害的您的相关权益,请留言告知,我们将尽快删除.谢谢.

笔记整理 | 谢辛 ,浙江大学 硕 士

 

研究方向 | 自然语言处理,知识图谱

 

 

Feng Y, Chen X, Lin B Y, et al. Scalable multi-hop relational reasoning for knowledge-aware question answering[J]. 2020.emnlp-main.99

 

链 接 : https://arxiv.org/pdf/2005.00646.pdf

 

GitHub 项目地址 : https://github.com/INK-USC/MHGRN

 

本文主要关注基于知识库的多跳关系推理。本篇文章提出了m ulti-hop relational reasoning module (多跳关系推理模型)叫做M HGRN 多跳推理网络。该模型在额外的多跳知识图谱中抽取的子网络中进行推理。本文提出的方法将已有的基于路径的常识推理以及G CN 融合在了一起,并在C ommonsenseQA 和OpenbookQA上取得了良好的效果。模型概要如下图所示。

 

 

CommonsenseQA的问题如图所示,如果我们已知图上上方的一个知识图谱,知道在问题和选项中实体间的关系,那幺我们可以轻而易举地得到问题的答案。图中,蓝色节点表示在问题中的实体,粉色节点表示回答中的实体。通过知识图谱,我们可以得到一个当孩子坐在桌子旁边的时候,桌子和孩童都位于教室里,所以可以得到回答A教室。

 

虽然这个框架可以用于其他任务,比如自然语言推断。但是本文只着重于单项选择的Q A 。形式上,给定了一个外部知识库以及一个问题q。本文的目标是从选项集合中找到正确的回答。本文将问题变成计算问题和选项的相似度并挑选相似度最高的作为回答。

 

本文提出的特有的模型M HGRN 框架如下图所示。本文通过类似G CN 的方式在图上进行推理,之后将[问题,答案]作为输入的向量和经过推理传递关系后的子图进行拼接最后通过M LP 计算相似度,得到答案。

 

 

本文最后的实验表明,在抽取出的图上进行推理可以有效提高模型准确率。并且发现,设定 K 更大也就是多跳推理范围更大会显着提升模型判断能力。

 

Be First to Comment

发表评论

邮箱地址不会被公开。 必填项已用*标注