Subgraph Retrieval Enhanced Model for Multi-hop Knowledge Base Question Answering

最新推荐文章于 2024-03-09 13:21:19 发布

UnknownBody

最新推荐文章于 2024-03-09 13:21:19 发布

阅读量275

点赞数

CC 4.0 BY-SA版权

分类专栏： Knowledge Graph 文章标签：知识图谱语言模型

本文链接：https://blog.youkuaiyun.com/c_cpp_csharp/article/details/132668638

Knowledge Graph 同时被 2 个专栏收录

85 篇文章 ¥99.90 ¥299.90

订阅专栏

LLM 日更

828 篇文章

已下架不支持订阅

本文介绍了一种可训练的子图检索器（SR），用于多跳知识库问答（KBQA）。SR旨在解决现有检索方法的启发式和推理混合问题，以减少推理偏差。实验证明，SR在检索和QA性能上显著优于其他方法，与NSM（一种面向子图的推理器）结合使用，能实现基于嵌入的KBQA的新最优性能。

本文是LLM系列的文章，针对《Subgraph Retrieval Enhanced Model for Multi-hop Knowledge Base Question Answering》的翻译。

摘要

最近关于知识库问答（KBQA）的工作检索子图以便于推理。所需的子图至关重要，因为小个子图可能会排除答案，但大个子图可能引入更多噪声。然而，现有的检索要么是启发式的，要么与推理交织在一起，导致在部分子图上进行推理，这增加了在缺少中间监督时的推理偏差。本文提出了一种与后续推理过程解耦的可训练子图检索器（SR），它使即插即用框架能够增强任何面向子图的KBQA模型。大量实验表明，SR的检索和QA性能明显优于现有的检索方法。通过弱监督预训练和端到端微调，SR与NSM相结合，实现了新的最先进的性能，NSM是一种面向子图的推理器，用于基于嵌入的KBQA方法。代码和数据集可在线获取。