초록
지식 그래프(KG) 질문 생성(QG)은 지식 그래프와 목표 답변에서 자연어 질문을 생성하는 것을 목표로 합니다. 이전 연구들은 주로 단일 KG 트리플에서 질문을 생성하는 간단한 설정에 초점을 맞추었습니다. 본 연구에서는 보다 현실적인 설정, 즉 KG 서브그래프와 목표 답변에서 질문을 생성하는 것에 중점을 두고 있습니다. 또한, 대부분의 이전 연구들은 선형화된 KG 서브그래프를 인코딩하기 위해 RNN 기반 또는 Transformer 기반 모델을 사용하였는데, 이는 KG 서브그래프의 명시적 구조 정보를 완전히 버리는 문제를 가지고 있었습니다. 이러한 문제를 해결하기 위해, 본 연구에서는 양방향 Graph2Seq 모델을 적용하여 KG 서브그래프를 인코딩하는 방법을 제안합니다. 더불어, 노드 수준 복사 메커니즘을 강화하여 RNN 디코더가 출력 질문으로 직접 노드 속성을 복사할 수 있도록 하였습니다. 자동 평가 및 인간 평가 결과 모두 우리의 모델이 두 개의 QG 벤치마크에서 현저한 마진으로 기존 방법들을 능가하며 새로운 최신 성능(SOTA) 점수를 달성함을 입증하였습니다. 실험 결과는 또한 우리의 QG 모델이 데이터 증강의 수단으로서 QA 작업에 일관되게 도움을 줄 수 있음을 보여주고 있습니다.