28、知识图谱问答与方面情感分类模型研究

知识图谱问答与方面情感分类模型研究

知识图谱问答中的知识子图构建

随着知识图谱（KGs）的不断增长，基于知识图谱的问答（QA over KGs）成为让最终用户更便捷访问知识图谱的有效途径。然而，知识图谱通常规模庞大，存储着数百万条事实，在知识图谱问答系统（KGQASs）中为每个给定问题访问整个知识图谱困难重重，甚至无法实现。因此，从知识图谱中提取一个可能包含答案实体的小子集（即知识子图），能够显著缩小搜索空间，简化最终答案的提取过程。

方法比较

• 与NPR比较 ：BiDPPR与NPR进行了对比。在WebQSP数据集上，当有2000个实体时，若将提取的子图为Freebase中的CVT实体扩展一跳，NPR的召回率可提升至94.9，而BiDPPR在相同实体数量下召回率达到95.2。具体数据如下表所示：
  | 技术 | 覆盖率 |
  | — | — |
  | NPR | 92.6 |
  | NPR + CVT | 94.9 |
  | BiDPPR | 95.2 |
• 与GAQA比较 ：GAQA在构建知识子图后，通过图对齐方法在提取的子图上获取给定问题的答案并报告结果。但它未展示构建的知识子图的覆盖率。若能正确识别查询模式，GAQA可实现全覆盖的知识子图，不过其生成的知识图比BiDPPR生成的大得多。通过重新实现GAQA的解决方案，随机从WebQSP和QLAD - 6数据集中各选15个问题，并根据其SPARQL查询识别查询模式，结果表明BiDPPR构建的知识子图规模小得多。此外，BiDPPR为WebSQP和QALD - 6中选定问题检索的