UNIFIED RETRIEVAL AND REASONING FOR SOLVING MULTI-HOP QUESTION ANSWERING OVER KNOWLEDGE GRAPH

本文是LLM系列文章，针对《UNIKGQA: UNIFIED RETRIEVAL AND REASONING FOR SOLVING MULTI-HOP QUESTION ANSWERING OVER KNOWLEDGE GRAPH》的翻译。

摘要

知识图谱上的多跳问答（KGQA）旨在寻找在大规模知识图上与自然语言问题中提到的主题实体相距多跳的答案实体。为了应对庞大的搜索空间，现有的工作通常采用两阶段的方法：首先检索与问题相关的相对较小的子图，然后对子图进行推理，以准确地找到答案实体。尽管这两个阶段高度相关，但以前的工作使用了非常不同的技术解决方案来开发检索和推理模型，忽略了它们在任务本质上的相关性。在本文中，我们提出了UniKGQA，这是一种用于多跳KGQA任务的新方法，通过在模型架构和参数学习中统一检索和推理。对于模型架构，UniKGQA包括一个基于预训练语言模型（PLM）的语义匹配模块，用于问题关系语义匹配，以及一个匹配信息传播模块，用于沿着KGs上的有向边传播匹配信息。对于参数学习，我们为检索和推理模型设计了一个基于问题关系匹配的共享预训练任务，然后提出了面向检索和推理的微调策略。与以往的研究相比，我们的方法更加统一，将检索和推理阶段紧密联系在一起。在三个基准数据集上的大量实验已经证明了我们的方法在多跳KGQA任务上的有效性。我们的代码和数据可在https://github.com/RUCAIBox/UniKGQA.

1 引言

2 前言

3 方法

4 实验

5 相关工作

6 结论

在这项工作