论文导读 | 复杂知识图谱问答新进展

基于语义解析的方法的处理流程同样可以分为四步（见上图）：

（1）对问题进行编码

（2）将问题编码转化为某种未实例化的逻辑表示

（3）根据kb，将逻辑表示实例化，得到最终的可执行的逻辑表示

本文将对这两条路线下的一些新工作进行介绍。

• 一、基于信息检索的方法
• 
  

  TERP（coling 22）

  
  

• 
  

该方法旨在将路径信息引入候选实体打分中，其中有两个难点：如何表示路径、如何将路径表示与问题表示相结合。具体地，作者使用预训练语言模型对问题进行编码。路径是指问题中的主题实体和候选答案实体间的最短关系路径，其表示由kg嵌入（RotatE模型）和问题嵌入（将关系的文字表述进行拼接，输入预训练语言模型）共同组成。当存在多条最短路径时，使用问题表示以及注意力机制，选出最相关的一条。

• 
  

  二、基于语义解析的方法

  
  
• 
  

  SSKGQA（coling 22）

  
  

• 

得到结构后，从主题实体出发，找到该结构对应的所有候选查询图。在排序步骤中，作者同样使用BERT分别对问题、正确查询图以及错误查询图进行表示，其中查询图根据三元组中空格和“.”进行分割得到序列输入形式，通过三元损失函数训练。

该文章提出现有方法受限于预定义逻辑形式的限制，难以覆盖所有情况，如“filter”、“order_by”等，且难以处理unseen实体问题，提出直接端到端生成sparql语句，理论上可以生成任何约束条件。此外，将sparql中的实体ID替换为变量（如“c1”），并在最后加上filter条件，‘filter(str(?c1) = “实体名”)’，从而通过语言模型去学习实体名和问题之间的关系，并生成实体名即可。

CBR-KBQA（emnlp 21）

该文章旨在利用类似的问题及解决方案（case）来解决新问题，在本设定中，case问自然语言问题及其对应的逻辑表示。给定问题q，先在case memory（也就是训练集）中检索类似的问题；通过重用case中的组件，生成q对应的逻辑表示，并进行实体链接；由于case可能无法完全覆盖，或kb存在不完整的情况，需要根据实际的kb局部情况对逻辑表示进行修正；最后执行查询，得到答案。

RnG-KBQA（acl 22）

最后的生成器使用T5，输入为问题和top-k候选的拼接，基于交叉熵损失训练，推理时使用beam search。

• 三、实验对比

  
  

为了直观对比这几篇工作在复杂问题上的表现，下表中汇总了它们在ComplexWebQuestion和WebQuestionSP上的实验结果。可以看到基于信息检索的方法在更复杂的问题上表现会下降，可能是由于其很难获取所有的相关实体，计算复杂度过高。基于解析的方法中，SSKGQA定义的问题形式会决定其表达能力的上限，而后三篇工作选择基于语言模型直接生成灵活的query形式，难度更大，但带来的表示能力的收益是可观的。