融入三维语义特征的常识推理问答方法.pdfVIP

JournalofComputerApplicationsISSN1001⁃90812024⁃01⁃10

计算机应用,2024,44(1):138-144CODENJYIIDUhttp：//www.joca.cn

文章编号：1001-9081（2024）01-0138-07DOI：10.11772/j.issn.1001-9081.2023010063

融入三维语义特征的常识推理问答方法

1，2，31，2，31，2，3*

王红斌，房晓，江虹

（1.昆明理工大学信息工程与自动化学院，昆明650500；2.云南省人工智能重点实验室（昆明理工大学），昆明650500；

3.云南省计算机技术应用重点实验室（昆明理工大学），昆明650500）

（∗通信作者电子邮箱702104728@qq.com）

摘要：现有使用预训练语言模型和知识图谱的常识问答方法主要集中于构建知识图谱子图及跨模态信息结合

的研究，忽略了知识图谱自身丰富的语义特征，且缺少对不同问答任务的知识图谱子图节点相关性的动态调整，导致

预测准确率低。为解决以上问题，提出一种融入三维语义特征的常识推理问答方法。首先提出知识图谱节点的关系

层级、实体层级、三元组层级三维语义特征量化指标；其次，通过注意力机制动态计算关系层级、实体层级、三元组层

级三种维度的语义特征对不同实体节点间的重要性；最后，通过图神经网络进行多层聚合迭代嵌入三维语义特征，获

得更多的外推知识表示，更新知识图谱子图节点表示，提升答案预测精度。与QA-GNN常识问答推理方法相比，所提

方法在CommonsenseQA数据集上的验证集和测试集的准确率分别提高了1.70个百分点和0.74个百分点，在

OpenBookQA数据集上使用AristoRoBERTa数据处理方法的准确率提高了1.13个百分点。实验结果表明，所提出的

融入三维语义特征的常识推理问答方法能够有效提高常识问答任务准确率。

关键词：常识问答；知识图谱；图神经网络；语义特征；注意力机制

中图分类号：TP391.1文献标志码：A

Commonsensereasoningandquestionansweringmethodwith

three-dimensionalsemanticfeatures

WANGHongbin1，2，3，FANGXiao1，2，3，JIANGHong1，2，3*

（1.FacultyofInformationEngineeringandAutomation，

KunmingUniversityofScienceandTechnology，KunmingYunnan650500，China；

2.YunnanKeyLaboratoryofArtif