8、知识图谱嵌入与问答任务的新策略

知识图谱嵌入与问答任务的新策略

在信息提取和推荐系统领域，知识图谱嵌入（KGE）和问答（QA）技术正发挥着越来越重要的作用。本文将深入探讨基于知识图谱的推荐任务以及问答任务中的实体识别与类型检测，并介绍相关的新策略和方法。

问答任务中的实体识别与类型检测

首先，我们来看问答任务中的实体识别与类型检测。通过 QuAART 框架，可将实体识别任务映射到问答任务中。该框架包含从模板构建问题、选择高置信度答案的算法，以及映射回 BIO 标签进行评估的系统。

在实验中，从在 SQuAD 2.0 上训练的模型开始，逐步添加 HAnDS 的少量训练数据，并跟踪每次迭代带来的性能提升。以下是添加 174 篇 HAnDS 文章前后不同“组织”类型的得分情况：
| Model | Type | Preds | Matches | Strict F1 | Micro F1 | Macro F1 |
| — | — | — | — | — | — | — |
| SQuAD Only | Organization | 69 | 25 | 0.05 | 0.14 | 0.11 |
| SQuAD+174 | Organization | 123 | 65 | 0.14 | 0.38 | 0.28 |
| SQuAD Only | Company | 25 | 6 | 0.00 | 0.10 | 0.09 |
| SQuAD + 174 Company | 11 | 5 | 0.09 | 0.22 | 0.14 |
| SQuAD Only | Ed. Institution | 24 | 6 | 0.02 | 0.14 | 0.11 |