Verbesserung der Multi-hop-Wissensbasis-Fragebeantwortung durch das Lernen von Zwischen-Supervisionsignalen

Multi-hop Knowledge Base Question Answering (KBQA) zielt darauf ab, Antwortentitäten zu finden, die in der Wissensbasis (KB) mehrere Schritte entfernt von den Entitäten in der Frage liegen. Eine zentrale Herausforderung besteht darin, dass während der Zwischenschritte keine ausreichenden Überwachungssignale vorliegen. Daher können Algorithmen für multi-hop KBQA nur Rückmeldung anhand der endgültigen Antwort erhalten, was das Lernen instabil oder ineffektiv macht.Um diese Herausforderung anzugehen, schlagen wir einen neuartigen Lehrer-Schüler-Ansatz für die multi-hop KBQA-Aufgabe vor. In unserem Ansatz versucht das Schüler-Netzwerk, die korrekte Antwort auf die Abfrage zu finden, während das Lehrer-Netzwerk darauf abzielt, Zwischensignale zur Überwachung zu erlernen, um die Schlussfolgerungsfähigkeit des Schüler-Netzwerks zu verbessern. Der wesentliche Innovationsgehalt liegt in der Gestaltung des Lehrer-Netzwerks, bei dem wir sowohl Vorwärts- als auch Rückwärtsreasoning nutzen, um die Lernleistung der Verteilung von Zwischenentitäten zu verfeinern. Durch die Berücksichtigung von bidirektionalem Reasoning kann das Lehrer-Netzwerk zuverlässigere Zwischensignale erzeugen, was das Problem von irreführenden Schlussfolgerungen mildert. Umfassende Experimente auf drei Standard-Datensätzen belegen die Wirksamkeit unseres Ansatzes für die KBQA-Aufgabe. Der Quellcode zur Reproduktion unserer Analysen ist unter https://github.com/RichardHGL/WSDM2021_NSM verfügbar.