Modellierung von Semantik mit Gated Graph Neural Networks für die Wissensbasis-Fragebeantwortung

Die meisten Ansätze für Wissensbasierende Fragebeantwortung basieren auf semantischer Analyse. In dieser Arbeit untersuchen wir das Problem des Lernens von Vektordarstellungen für komplexe semantische Analysen, die aus mehreren Entitäten und Relationen bestehen. Frühere Arbeiten konzentrierten sich weitgehend darauf, die richtigen semantischen Relationen für eine Frage auszuwählen und ignorierten dabei die Struktur der semantischen Analyse: die Verbindungen zwischen den Entitäten und die Richtungen der Relationen. Wir schlagen vor, Gated Graph Neural Networks (GGNN) zu verwenden, um die Graphstruktur der semantischen Analyse zu kodieren. Anhand zweier Datensätze zeigen wir, dass die Graphnetzwerke alle Baseline-Modelle übertrumpfen, die die Struktur nicht explizit modellieren. Die Fehleranalyse bestätigt, dass unser Ansatz erfolgreich komplexe semantische Analysen verarbeitet.