摘要
知识图谱问答(KBQA)旨在理解用户的自然语言问句,在结构化的知识图谱中通过检索、推理等手段,获取答案实体。近年来,多跳知识图谱问答备受关注,然而,目前的方法存在一个被忽视的问题:复杂的问句中存在多个关系意图,而以往的方法常忽视了推理关系链的关系顺序问题。针对上述问题,提出了一种基于层次结构图的多跳知识图谱问答模型(HSG-KBQA),建模自然语言问句的关系层次顺序,指导模型在每个推理步选择合理的关系意图。提出了一种层次结构图,显式地体现了问句中关系的层次距离,利用LSTM-BiGCN编码层将词语间的依存信息编码到问句中;提出了虚拟节点概念,利用图池化技术过滤不重要的节点,学习推理过程中知识图谱的状态;提出了基于注意力机制和层次权重的解码器来优化指令生成,使推理指令更匹配问句中的关系链顺序。实验结果表明,本文在WebQuestionsSP数据集上取得了71.3%的Hits@1分数,在PathQuestions数据集上取得了97.3%(PQ-2H)和89.7%(PQ-3H)的Hits@1分数,均优于基准模型,表明本模型在KBQA任务上具有更好的性能。
- 单位