11 天前
SYGMA：面向知识库的可泛化模块化问答系统
Sumit Neelam, Udit Sharma, Hima Karanam, Shajith Ikbal, Pavan Kapanipathi, Ibrahim Abdelaziz, Nandana Mihindukulasooriya, Young-Suk Lee, Santosh Srivastava, Cezar Pendus, Saswati Dana, Dinesh Garg, Achille Fokoue, G P Shrivatsa Bhargav, Dinesh Khandelwal, Srinivas Ravishankar, Sairam Gurajada, Maria Chang, Rosario Uceda-Sosa, Salim Roukos, Alexander Gray, Guilherme LimaRyan Riegel, Francois Luus, L Venkata Subramaniam
摘要
知识库问答（Knowledge Base Question Answering, KBQA）任务中涉及复杂推理的问题正逐渐成为重要的研究方向。然而，现有的大多数KBQA系统在泛化能力方面仍面临挑战，主要体现在两个维度上：（a）在多种推理类型之间的泛化能力不足，当前的数据集和系统主要集中于多跳推理（multi-hop reasoning）；（b）在多种知识库之间的泛化能力有限，现有KBQA方法通常针对单一知识库进行专门调优。本文提出SYGMA，一种模块化方法，旨在实现跨多种知识库和多种推理类型的良好泛化能力。具体而言，SYGMA包含三个高层模块：1）与知识库无关的问题理解模块，适用于各类知识库；2）用于支持额外推理类型的规则机制；3）面向特定知识库的问题映射与答案生成模块，以应对知识库特有的答案提取问题。我们通过在两个不同知识库（DBpedia和Wikidata）所属数据集上的实验，验证了所提系统的有效性。此外，为进一步展示方法在更多推理类型上的可扩展性，我们在多跳推理数据集以及本文提出的全新时间型KBQA基准数据集TempQA-WD1（基于Wikidata构建）上进行了评估。实验结果表明，所提出的泛化能力强的方法在涉及多跳推理与时间推理的多个DBpedia和Wikidata数据集上均展现出更优的竞争力。