Graph-basierte Wissensintegration für die Fragebeantwortung in Dialogen

Fragebeantwortung über Dialoge, eine spezialisierte Aufgabe des maschinellen Leseverstehens, zielt darauf ab, einen Dialog zu verstehen und gezielte Fragen dazu zu beantworten. Trotz zahlreicher Fortschritte berücksichtigten bisherige Ansätze für diese Aufgabe weder die Struktur des Dialogs noch Hintergrundwissen (z. B. Beziehungen zwischen Sprechern). In diesem Artikel stellen wir einen neuen Ansatz für diese Aufgabe vor, der sich durch seine Neuheit in der Strukturierung des Dialogs und der Integration von Hintergrundwissen zur Schlussfolgerung auszeichnet. Insbesondere unterscheidet sich unsere Methode von früheren „strukturlosen“ Ansätzen dadurch, dass sie einen Dialog als „relationales Graphen“ organisiert, wobei Kanten Beziehungen zwischen Entitäten darstellen. Um diesen relationalen Graphen zu kodieren, entwickeln wir ein relationales Graphen-Convolutional-Netzwerk (R-GCN), das die topologische Struktur des Graphen durchlaufen und somit mehrfach relationales Wissen effektiv für die Schlussfolgerung kodieren kann. Umfangreiche Experimente bestätigen die Wirksamkeit unseres Ansatzes gegenüber konkurrierenden Baselines. Darüber hinaus zeigt eine detaillierte Analyse, dass unser Modell besonders gut geeignet ist, komplexe Fragen zu bearbeiten, die relationales Schließen erfordern, und sich gegen adversarielle Angriffe mit irritierenden Sätzen zu verteidigen.