论文笔记整理：谭亦鸣，东南大学博士生，研究方向为跨语言知识图谱问答。

---

来源：COLING 2018

链接：https://www.aclweb.org/anthology/C18-1171

 

问题背景与动机

多关系问答（multi-relationquestion answering）是知识问答的一个重要任务，“多关系”指的是问题中包含多个关系和实体信息，为了回答这类问题，需要对知识库中多个事实三元组进行分析和推理。

 

现有的方法主要可以分为两类：基于语义分析；基于embedding；

 

基于语义分析的方法主要依赖于人工特征与标注，但是泛化能力较弱。

基于embedding的方法一般利用弱监督机制训练得到end-to-end问答模型，但是现有的方法主要依赖于相似度计算而在推理方面有所欠缺。

 

在这篇文章中，作者提出‘可解释推理网络（Interpretable Reason Network，IRN）模型’用于解决多关系问答。通过多跳推理的形式完成多关系问题的问答过程。

 

贡献

1.    提出面向多关系问答的IRN模型，并在性能上取得了state-of-art

2.   相对于现有推理网络，这篇文章提出的方法更具可解释性，多跳推理的过程可以清晰的反映答案生成的过程

模型

IRN的整体框架如图所示，其中包含三个子模型：Input Module; ReasoningModule; Answer Module，分别用于问句的embedding，三元组推理以及答案的生成。

以问题‘Howold is Obama’s daughter?’ 为例，问题的解析、推理和回答过程包含三跳(3 hops)，每个hop包含的过程相同，描述如下：

1.    Input Module：输入问题(仅初始)，得到问题的embedding形式q

2.    Reasoning Module：输入q，以及对问题NER得到的实体信息e₁，找到对应的关系r₁

3.    Input Module：将已识别关系信息r₁从q中去除，得到更新的q’，用于下一步推理

4.    Answer Module：根据已得到的e₁和r₁从知识库中找到对应的答案信息

5.    Reasoning Module：将已分析实体信息e₁与关系信息r₁融合，并用于下一步推理

 

其中，获取关系r的计算过程如以下公式所示：

实验

实验数据

本文实验所使用的数据基于WorldCup2014，数据集的统计信息由表1所示。

 

实验结果

对比模型说明：

1.    Embed (Bordes et al., 2014b)：利用embedding空间将问题和答案进行匹配的方法

2.    Subgraph (Bordes et al., 2014a)：在Embed基础上利用实体子图加强答案实体的表达

3.   Seq2Seq (Sutskever et al., 2014)：使用基于LSTM的encoder-decoder实现的语义解析模型

4.   MemN2N (Sukhbaatar et al., 2015)：使用记忆网络构建的end2end模型，其中记忆单元包含了相关的三元组信息

5.   KVMemN2N (Miller et al., 2016)：在MemN2N的基础上，将记忆单元划分为键-值两个部分，键为头实体及关系，值为尾实体

6.    IRN-weak (This paper)

 

可解释性分析

表3反映了IRN在多跳过程中识别关系和实体的精准度，r₁/e₁ -> r_n/e_n -> a

 

---

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。