초록
기존의 지식 기반 질의 응답(KBQA) 접근 방식은 방법론 자체의 내재적 가정이나, 다른 지식 기반에서 평가하기 위해 비현실적인 수정이 필요하기 때문에 일반적으로 특정 지식 기반에만 초점을 맞추고 있다. 그러나 많은 인기 있는 지식 기반은 유사한 기반 스키마를 공유하고 있으며, 이러한 유사성을 활용하면 지식 기반 간의 일반화를 촉진할 수 있다. 이를 달성하기 위해, 의미 분석(semantic parsing)과 지식 기반 상호작용을 명시적으로 분리하는 2단계 아키텍처를 기반으로 한 KBQA 프레임워크를 제안한다. 이 구조는 데이터셋 및 지식 그래프 간의 전이 학습(transfer learning)을 용이하게 한다. 우리는 다른 기반 지식 기반에서 사전 훈련(pretraining)을 수행하더라도 상당한 성능 향상과 샘플 복잡도 감소를 달성할 수 있음을 보여준다. 제안하는 방법은 LC-QuAD(DBpedia), WebQSP(Freebase), SimpleQuestions(Wikidata), MetaQA(Wikimovies-KG)에서 비교 가능하거나 최첨단 수준의 성능을 달성한다.