基于知识图谱的变分推理问答

发布于2017年9月12日

By Yuyu Zhang, Hanjun Dai, Zornitsa Kozareva, Alexander J. Smola, Le Song

arXiv:1709.04071 [ cs.LG, cs.AI, cs.CL ] github:yuyuz/MetaQA

摘要

知识图谱（KG）被认为对问答（QA）任务有帮助，因为它提供了实体之间结构良好的关系信息，并允许进一步推断间接事实。然而，构建能够仅基于问答对学习在知识图谱上进行推理的QA系统是具有挑战性的。首先，当人们提问时，他们的表达是嘈杂的（例如，文本中的拼写错误或发音的变化），这对于QA系统来说，将这些提到的实体与知识图谱匹配并非易事。其次，许多问题需要在知识图谱上进行多跳逻辑推理以检索答案。为了解决这些挑战，我们提出了一种新颖且统一的深度学习架构，以及一种端到端的变分学习算法，该算法可以处理问题中的噪声，并同时学习多跳推理。我们的方法在文献中的最新基准数据集上实现了最先进的性能。我们还推导了一系列新的基准数据集，包括用于多跳推理的问题、通过神经翻译模型转述的问题以及人类语音中的问题。我们的方法在所有这些具有挑战性的数据集上都取得了非常有希望的结果。