论文笔记整理：谭亦鸣，东南大学博士生，研究兴趣：知识图谱问答。

---

     

来源：ISWC 2019

链接：https://link.springer.com/content/pdf/10.1007%2F978-3-030-30793-6_22.pdf

 

本文提出一个end2end神经网络模型以知识图谱为数据源，自动生成复杂的多跳问题，且问题难度是可控的。该模型以一个子图（来自知识图谱）及预设的问题答案为输入，利用基于transformer的模型生成自然语言问题。问题难度的控制因子基于命名实体的popularity指标构建得到。实验方面，利用现有的两个2-hops问答数据集，构建训练/测试数据得到的实验结果验证了该模型可以生成高质量，流利，且与输入子图密切相关的自然语言问题。

相关数据集和源码链接传送门：https://github.com/liyuanfang/mhqg.

动机

目前最好的KG QA模型基于神经网络建立，这种数据驱动的模型需要大量的训练数据，包括知识图谱中的三元组集，问题集以及对应的答案数据。为了迎合这种数据需求，近些年来，很多问答数据集被构建出来，包括简单的Single-hop信息的问题，以及更复杂信息的问题。其中复杂问题数据集又大体可以分为两类：多跳推理或者离散型推理问题。

但是，随着上述数据集被充分利用之后，模型性能的进一步提升又受到了数据集规模的限制，虽然这对Single-hop问答没什么影响，其性能在实验数据上已经媲美人类问答水平（Single-hop问题难度并不高），对于复杂问题则不然，其依然需要更多高质量的问答数据集提升模型的质量。显然复杂问题相对简单问题数据的建立难度更高，大部分现有的复杂问题都是基于人工或半自动的方式得到。

因此本文拟利用现有的复杂问题集作为训练数据（包含问题子图，对应的自然语言问题reference以及答案，来自COMPLEXWEBQUESTIONS及PathQuestion数据集），例1描述了这些数据的形式：

             

             

方法

本文将基于知识图谱的问题生成任务看作一个Seq2Seq学习问题：

假定背景知识（图谱）为G，其中包含一系列三元组事实，给定一个子图g（来自G），及n个三元组，EA表示三元组中的答案实体（可能不唯一，建例1的第二张图），模型将会生成一个自然语言问题Q = (w1,…,wm)，生成过程可以描述如下：

             

θ表示模型参数

模型的框架如下图所示：

             

这个框架整体还是类Transformer结构，主体分为编码和解码两个部分，相关网络细节就不多赘述。

关于知识图谱编码

对于子图g，编码器以其embedding作为输入（对g中的三元组做embedding），令d_e表示实体/关系的embedding维度，d_g 表示三元组embedding的维度

初始化阶段，三元组的embedding由主体，谓词，客体的embedding拼接，加之其余值随机初始化以匹配三元组的embedding维度

每个E_A答案实体还被embedding到一个d_e维的向量中，通过一个多层感知机学习该实体是否是一个答案实体。

接着对答案embedding和原始实体embedding做元素加法以获得最终对每个答案实体的embedding

因此，对于包含n个三元组的子图g，可以表示为一个n×d_g矩阵G，以该矩阵为输入，Transformer 编码器将其映射为一个连续表示序列Z = (z1,…,zn)∈R^{n×dg}

令Q,K,V分别表示编码器中的query，key和value矩阵，给定输入G，使用query矩阵对相关的三元组做软筛选(soft select)并积累Attention，公式如下：

             

其中，KT为K的转置 ，      均为可训练模型参数

为了获得不同三元组在不同表示子空间的信息，作者使用包含k个head的Multi-head attention，并汇总它们如下：

             

其中,   ,      

汇总后的输出x被传递到一个前馈网络，如下：

             

关于难度评价模型

本文主要提到了两个衡量难度的因素：问题中实体链接的confidence；子图中实体的selectivity

前者指的是对问题做命名实体识别时，具有较高confidence的实体识别一般具有较小的ambiguity，这使得子图很容易理解所问的目标实体，且生成的问题也更易于回答。

后者指的是识别完实体后图谱中可匹配的实体的候选数量，当候选实体较多时，意味具有更低的selectivity，这表示问题所问的内容具有较高的模糊性，也就更难。

基于此，作者构建了难度评价模型如下：

             

其中G和q分别表示子图和问题，Con表示confidence，Sel表示selectivity，该难度得分被标准化到[0,1]之间。考虑单靠得分不具备明确的区分度，比如想生成较难的问题该怎么定义阈值，因此作者随机抽取了200个简单例子做难度测量，最终取其得到的最高值作为阈值。

 

关于带有难度控制因子的解码

本文利用一个多层感知机DE将难度信息编码进解码器，其由输入线性层，整流线性单元层和输出线性层构成。公式如下：

             

其中，x表示难度level，W和b是可训练的模型参数。

实验

数据集相关

实验使用到了三个多跳问题集：

WebQuestionsSP，ComplexWebQuestions，PathQuestion

对于每个实例，WebQuestionsSP，ComplexWebQuestions都包含自然语言问题，SPARQ query及答案实体和一些辅助信息

PathQuestion相对上述数据集缺少了实体对应知识库（Freebase）的ID，因此处理方式稍有不同。

数据集统计信息如下表：

             

作者对其实验细节在文章中做了详细描述，有需要可以去瞅瞅

 

实验结果

             

由于是自然语言生成类的任务，这里使用的评价指标均为翻译常用的自动评价指标BLEU，METEOR等

 同时，作者也提供了人工评价结果如下：

             

---

 

OpenKG

开放知识图谱（简称 OpenKG）旨在促进中文知识图谱数据的开放与互联，促进知识图谱和语义技术的普及和广泛应用。

点击阅读原文，进入 OpenKG 博客。