《Query Graph Generation for Answering Multi-hop Complex Questions from Knowledge Bases》论文笔记

Query Graph Generation for Answering Multi-hop Complex Questions from Knowledge Bases

这是2020年SMU的Jing Jiang教授课题组发表在ACL上的一篇文章，主题为KBQA、Complex Question、Query Graph Generation

Overview

作者提到当前的复杂问题主要有两类特点：

1. Questions with Constraints：问题中有一些限制，例如 “Who is the youngest president of US？”中的youngest就是额外的限制。
2. Questions with Multi-hop relation：问题中包含多跳关系，例如 “Who is the wife of the founder of Facebook？” 中包含一个2-hop关系 wife_of和founder_of。

之前的一些工作都是分别独立地针对这两类特点进行研究，因此本文提出一种同时应对这两类特点的方法。作者改进了staged query graph的生成方法，允许更长的关系路径存在；并且，与之前先构建好relation path之后再添加constraints的做法不同，作者设计的模型能够同时处理constraint并extend relation path，或者说，作者把incorporate constraint的过程融进了relation path construction，使得两者能够同步进行。同时，这种同步考虑constraints的做法大大地减小了search space，作者提到如果把关系的长度延长到3-hop，那么每个问题平均要考虑10000条可能的relation path，这是很低效的。但是如果能够加入问题中的constraint，那么search space就会大大减小，效率能够得到提升。举个例子来说：原问题是 “Who is the first wife of TV producer that was nominated for The
Jeff Probst Show ? ”，如果我们单纯搜索所有"nominated for the Jeff Probst Show"的实体，那会有很多结果，但是如果加上限制"TV producer"，那就可以过滤掉很多结果。

Approach

Query Graph Introduction

作者首先概括介绍了什么是query graph。一张query graph包含四类结点：

• grounded entity：这是在KB中存在的实体，也叫topic entity，query graph中至少有一个，在图中用阴影框表示。
• existential variable：这是ungrounded entity，在query graph中可能没有也可能有多个，在图中用空白框表示。
• lambda variable：用于表示答案结点，query graph中只能有一个，在图中用椭圆圈表示。
• aggregation function：表示一些operation，比如argmin、argmax之类的，在图中用菱形框表示。

作者结合之前的工作总结了query graph生成的四步：

1. 从topic entity（grounded entity）出发，找出从topic entity到lambda variable的core relation path。
2. 将constraint添加到第一步找出的core relation path，这些constraint可能包含existential variable或者aggregation function
3. 得到所有的candidate query graph，用每个candidate与question的进行相似度匹配，然后进行排序。
4. 在KB中执行query graph并得到答案

Query Graph Generation

下面来看本文如何生成一张query graph，都以上面所提到的问题为例。

为了进一步减小search space，作者在提取候选query graph的时候使用了beam search。设$t$时刻我们得到了top-K的query graph集合$G_t$，那么在$t+1$时刻，对于任意的$g\in$