面向复杂问题的知识图谱问答方法研究.pdfVIP

摘要

摘要

随着互联网信息的爆炸性增长，数据在互联网中以多种数据源形式存在，形

成数据的异构问题；同时，不同信息源中存储客观事实相同的知识却彼此互不关

联，造成了信息冗余。知识图谱作为一种大规模语义网络，将现实世界的各种事

物及其关系以图的形式表示出来，为组织数据提供了新的途径。知识图谱衍生了

许多应用，知识图谱问答就是其中之一。在以往的研究中，涉及单个三元组的简

单问题已经取得了很好的效果，但是用户对于信息检索的要求在逐渐提高，传统

的简单问题已经难以满足用户复杂的信息需求，提出的问题更多的是需要满足特

定约束，涉及多个三元组的复杂问题。所以，面向复杂问题的知识图谱问答方法

研究变得越来越重要。本文针对知识图谱复杂问题问答任务设计了两种方法，分

别用于问答任务的不同场景下：

在训练数据丰富，知识图谱相对完整的情况下，本文探索了基于语义解析的

方案。本文提出了基于关系检索案例增强的生成式知识图谱问答方法，通过对齐

检索模块找出相应的实体id和潜在关系，作为上下文对生成模型进行提示；多角

度地搜索可能存在的模式项，一方面以中心实体为锚点搜索有限空间的逻辑形式，

另一方面在以关系为重心检索示例逻辑形式，不受中心实体的距离约束，涉及多

跳关系的相似性案例；利用检索阶段丰富提示信息，结合预训练语言生成模型的

强大能力提升整体模型的泛化能力。

在缺乏逻辑形式标注的情况，知识图谱有缺失的情况下，本文探索了基于信

息检索的端到端解决方案，提出了基于指令迭代更新的图神经网络推理问答方法。

具体做了以下改进：在问题表示模块，本文先将问题嵌入成多个子指令，使得其在

推理时的每一步更加关注相关的部分信息，而不是全部信息，减少噪声干扰。同

时利用推理的全局信息对指令进行更新，在同一嵌入空间下更好地指导推理过程；

在推理模块，设计更加强大的推理器，在抽取的子图上进行推理，以获得更好的

问答效果，本文设计改进的图神经推理模块，通过关系增强和设计新颖的消息传

递机制融合所有的推理信息，提升了模型的推理效果，获得了性能上的提升。

本文在多个数据集上进行了大量的实验，分别验证了本文提出模型的有效性。

关键词：知识图谱问答，生成模型，图神经网络

I

ABSTRACT

ABSTRACT

Theinternethasexperiencedexplosivegrowthininformation,leadingtoaheteroge-

neousdataissue.Additionally,knowledgestoredindifferentsourcesrepresentingthe

sameobjectivefactsisnotinterconnected,resultingininformationredundancy.The

knowledgegraph,alarge-scalesemanticnetwork,representsvariousentitiesandtheir

relationshipsintherealworldintheformofagraph,offeringanovelapproachtodata

organization.Theknowledgegraphhasgivenrisetonumerousapplications,including

knowledgegraphquestionanswering.Previousstudieshaveshowngoodresultsforsim-

plequestionsinvolvingasingletriple.However,users’informationretrievalneedsare

becomingincreasinglycomplex,andtraditionalsimplequestionsarenolongersufficient.

Theproposedquestionsmustmeetspecific