检索结果-南通市图书馆

近年来,问答领域的需求不再局限于简单的事实回答,而更多地包含复杂的逻辑结构。知识库作为一种知识存储形式,在逻辑问答领域得到了广泛应用,依据提出的问题在知识库中寻找相应事实依据从而给出答案是知识库多跳问答研究的主要内容。知识库多跳问答任务的复杂度随知识库的增大而增加,如何从规模越来越大的知识库中查询正确且可靠的答案是所有问答模型都力图去解决的问题,从最初的解析查询方法,到最近的特征分析方法,模型的复杂度不断变大,这使得从整个知识库出发进行问答推理的成本过高,一部分方法开始通过提取问题相关知识子图的方式来避免这一问题。然而如何有效地提取问题相关子图同样较为困难,提取到的子图也难免会有信息缺失。与此同时,现实情况下的知识信息通常是不完整的,由此得到的子图难以支撑问答推理。因此如何在不丢失全局知识信息的前提下,高效可靠地筛选出目标答案是当下亟待解决的问题。为解决以上困难,本文开展了针对性研究,主要工作如下:1.提出了应用于全局图的表示学习推理模型,采用了多层Transformer的三元组融合表示结构,将点积预测分数作为链接事实的评价指标。在对知识库中结点与关系间特征进行概括的前提下,将学习到的图信息应用于相似结构的问答任务,保证推理的覆盖范围,并大大降低推理成本。与此同时,使用了带自注意力表征的双向LSTM模块提取问题相关特征信息,以此使模型获得理解问题、捕捉潜在关系的能力,并使用事实信息进行答案预测,解决基于全局图的概括推理问题。2.为使问答模型能够高效利用小范围的子图信息,增强答案的可靠性,提出了基于局部图的问题感知图注意推理模型。针对特定问题,模型在更细致的子图范围内对结点特征进行了重新概括,使图结点的表征更偏向于问题推理,并依靠嵌入信息直接推断问题答案,解决基于子图的可靠推理问题。3.提出了基于候选答案的子图构造方法,使基于全局图的链接预测问答模型与基于局部图的问题感知图网络模型能够匹配融合,使模型同时兼顾概括性与可靠性,高效准确地实现不完整知识库情况下的多跳问答任务,并在三种通用数据集上进行了实验验证,达到了较为显著的性能提高。

关键词：多跳问答知识图谱知识图谱表示学习 Transformer 多头注意机制图神经网络

来源：