Ein zweistufiger Ansatz zur Generalisierung im Wissensbasen-Fragebeantwortung

Die meisten bestehenden Ansätze im Bereich der Wissensbasen-Fragebeantwortung (KBQA) konzentrieren sich auf eine spezifische zugrundeliegende Wissensbasis, entweder aufgrund inhärenter Annahmen im jeweiligen Ansatz oder weil die Evaluierung auf einer anderen Wissensbasis erhebliche, nicht-triviale Anpassungen erfordert. Viele gängige Wissensbasen weisen jedoch Ähnlichkeiten in ihren zugrundeliegenden Schemata auf, die genutzt werden können, um eine Verallgemeinerung über verschiedene Wissensbasen hinweg zu ermöglichen. Um diese Verallgemeinerung zu erreichen, stellen wir einen KBQA-Framework vor, der auf einer zweistufigen Architektur basiert und semantische Analyse explizit von der Interaktion mit der Wissensbasis trennt. Dadurch wird Transferlernen zwischen Datensätzen und Wissensgraphen erleichtert. Wir zeigen, dass eine Vortrainingsphase auf Datensätzen mit einer anderen zugrundeliegenden Wissensbasis dennoch erhebliche Leistungssteigerungen ermöglicht und die Stichprobengröße reduziert. Unser Ansatz erreicht vergleichbare oder state-of-the-art-Leistung für LC-QuAD (DBpedia), WebQSP (Freebase), SimpleQuestions (Wikidata) und MetaQA (Wikimovies-KG).