【PaperReading】Knowledge Graph Embedding Based Question Answering-优快云博客

本文链接：https://blog.youkuaiyun.com/ARPOSPF/article/details/105235965

本文提出了一种名为基于知识嵌入的问答系统（KEQA）的框架，旨在利用知识图（KG）嵌入解决自然语言问题。KEQA针对简单问题，通过联合恢复头部实体、谓词和尾部实体的表示来回答问题。在KG嵌入空间中，KEQA使用神经网络模型预测问题的谓词和头部实体表示，并通过头部实体检测模型减少候选实体的数量。通过联合距离度量，KEQA在大量事实中找到最匹配的答案。实验表明，KEQA在问答系统中表现出较高的有效性和鲁棒性。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

ng Li, Ping Li*

摘要

知识图问答（QA-KG）旨在利用知识图（KG）中的事实来回答自然语言问题。它可以帮助最终用户更高效，更轻松地访问KG中的重要知识，而无需了解其数据结构。 QA-KG是一个不平凡的问题，因为捕获自然语言的语义对一台机器来说很困难。同时，已经提出了许多知识图嵌入方法。关键思想是将每个谓词/实体表示为低维向量，以便可以保留KG中的关系信息。所学习的向量可以使各种应用受益，例如KG完成和推荐系统。在本文中，我们探索使用它们来处理QA-KG问题。但是，由于谓词在自然语言问题中可能以不同的方式表达，因此这仍然是一项艰巨的任务。同样，实体名称和部分名称的含糊不清使得可能的答案数量变大。

为了弥合差距，我们提出了一个有效的基于知识嵌入的问答系统（KEQA）。我们专注于回答最常见的问题类型，即简单问题，如果正确识别了其单个头部实体和单个谓词，则机器可以直接回答每个问题。为了回答一个简单的问题，KEQA的目标不是在直接推断其主体和谓词，而是在KG嵌入空间中共同恢复问题的主体，谓词和尾部表示。根据精心设计的联合距离度量，将三个学习到的向量在KG中最接近的事实作为答案返回。在广泛采用的基准上进行的实验表明，所提出的KEQA优于最新的QA-KG方法。