文档增强型知识库问答
近年来,知识库(Knowledge Base,KB)被广泛应用于问答(Question Answering,QA)任务中.给定自然语言问题,利用知识库为给定问题提供正确答案,被称为KBQA问题.然而,知识库本身可能是不完整的(例如,KB不包含问题的答案或问题中的一些实体和关系),这限制了现有KBQA模型的总体性能.为了解决这个问题,文中提出了一个新的模型,利用文本语料库信息提供额外信息来增强知识库覆盖率和背景信息以增强问题的表示.具体来说,该模型由3个模块组成,即实体和问题表征模块、文档和问题增强表征模块以及答案预测模块.实体和问题表征模块从检索到的知识库子图中学习实体的表示,然后通过融合种子实体信息更新问题表示;文档和问题增强表征模块尝试学习与给定问题相关文档的正确表示,然后通过融合文档信息进一步改进问题表示;最后,答案预测模块根据知识库实体表征、文档表征和更新的问题表征进行答案预测.利用所提方法在WebQuestionsSP数据集上进行了大量的实验,结果表明,与其他方法相比,所提方法可以获得更高的准确性.
知识库问答、协同注意力机制、端到端、神经网络、融合门控函数
50
TP391(计算技术、计算机技术)
国家自然科学基金;沈阳市科技计划项目
2023-03-22(万方平台首次上网日期,不代表论文的发表时间)
共10页
266-275