27、知识图谱问答系统中构建知识子图的研究

知识图谱问答系统中构建知识子图的研究

在知识图谱问答系统（KGQASs）中，构建知识子图是一个关键问题。本文将介绍一种基于个性化 PageRank（PPR）的双向传播技术（BiDPPR），用于构建高召回率的知识子图。

1. 主要贡献

本文的主要贡献可以总结为以下几点：
1. 提出了一种基于知识图谱（KG）为问题构建知识子图的方法，遵循通用的现有架构。
2. 引入了一种新的基于 PPR 的双向传播技术，用于从 KG 中检索更有可能回答问题的实体。
3. 在 FreeBase、DBPedia 和 WikiMovie 等问答数据集上进行了实验，并与现有解决方案进行了比较，证明了该方法在召回率方面的有效性。此外，结果还表明该解决方案有助于提取更小的知识子图。

2. 相关工作

构建知识子图的研究进展可以分为三类：基于过滤的技术、基于启发式的技术和基于神经网络的技术。

2.1 基于过滤的技术

基于过滤的技术依赖于预定义的规则来过滤主题实体周围的事实数量。这种方法的可扩展性有限，研究人员和开发人员需要熟悉底层知识图谱的架构。此外，这些技术无法显著修剪无关实体。

以 Graph Alignment Question Answering（GAQA）方法为例，其操作步骤如下：
1. 定义查询模式 ：通过用户界面确定在 KG 中检索路径所需的跳数，将每个给定问题映射到查询模式。
2. 插入过滤函数 ：
- 过滤不必要的谓词，如 DBPedia KG 中的