知識ベース上の自然言語クエリに対するケースベース推論

複雑な問題をまったく新しい状態から解くのはしばしば困難であるが、類似の問題とその解法にアクセスできる場合、はるかに容易になる——このような枠組みは、ケースベース推論（Case-Based Reasoning, CBR）と呼ばれる。本研究では、大規模知識ベース上の質問応答を対象に、ニューロ・シンボリック型のCBRアプローチ（CBR-KBQA）を提案する。CBR-KBQAは、非パラメトリックなメモリと、パラメトリックなモデルから構成される。非パラメトリックなメモリは、ケース（質問と論理形式）を保存し、パラメトリックなモデルは、新しい質問に関連するケースを検索することで、その質問に対する論理形式を生成する。複数の複雑な質問を含む知識ベース質問応答（KBQA）データセットにおいて、CBR-KBQAは競争力のある性能を達成している。例えば、ComplexWebQuestionsデータセットにおいて、本手法は現在の最先端技術を精度面で11%上回った。さらに、本手法が新たなケースを追加学習なしに利用可能であることを示した。ケースメモリに少数の人間ラベル付き例を組み込むことで、CBR-KBQAは未確認の知識ベースエンティティおよび関係を含む論理形式を正しく生成する能力を有している。