Erklärbare dialogbasierte Fragebeantwortung über heterogene Quellen mittels iterativer Graph Neural Networks

Bei der conversationalen Fragebeantwortung äußern Benutzer ihre Informationsbedürfnisse durch eine Folge von Äußerungen mit unvollständigem Kontext. Typische Ansätze zur conversationalen Fragebeantwortung (ConvQA) stützen sich auf eine einzige Quelle – beispielsweise eine Wissensbasis (KB), einen Textkorpus oder eine Sammlung von Tabellen – und können daher nicht von einer erhöhten Antwortdeckung und der Redundanz mehrerer Quellen profitieren. Unser Ansatz EXPLAIGNN überwindet diese Einschränkungen, indem er Informationen aus einer Vielzahl von Quellen integriert und gleichzeitig verständliche Erklärungen für die Antworten bereitstellt. Er erstellt aus Entitäten und Beweisschnitten, die aus einer KB, einem Textkorpus, Web-Tabellen und Infoboxen abgerufen wurden, einen heterogenen Graphen. Dieser umfangreiche Graph wird anschließend iterativ durch Graphen-Neuronale Netze verkleinert, die Aufmerksamkeit auf der Frage-Ebene berücksichtigen, bis die besten Antworten und ihre Erklärungen herausgefiltert sind. Experimente zeigen, dass EXPLAIGNN die Leistung gegenüber aktuellen State-of-the-Art-Baselines verbessert. Eine Benutzerstudie belegt zudem, dass die abgeleiteten Antworten für Endnutzer verständlich sind.