Variationales Denken für die Beantwortung von Fragen mit Wissensgraphen

Wissensgraphen (KG) sind bekannt dafür, bei der Aufgabe der Beantwortung von Fragen (QA) hilfreich zu sein, da sie gut strukturierte relationale Informationen zwischen Entitäten bereitstellen und es ermöglichen, indirekte Fakten abzuleiten. Es ist jedoch herausfordernd, QA-Systeme zu entwickeln, die lernen können, über Wissensgraphen basierend auf Frage-Antwort-Paaren zu schlussfolgern. Erstens sind die Ausdrucksweisen der Menschen, wenn sie Fragen stellen, ungenau (zum Beispiel Tippfehler in Texten oder Variationen in der Aussprache), was für das QA-System nicht trivial ist, um die genannten Entitäten dem Wissensgraphen zuzuordnen. Zweitens erfordern viele Fragen mehrstufiges logisches Denken über den Wissensgraphen, um die Antworten zu beschaffen. Um diese Herausforderungen zu bewältigen, schlagen wir eine neuartige und einheitliche tiefenlernbasierte Architektur sowie einen Ende-zu-Ende-variationalen Lernalgorithmus vor, der Geräusche in Fragen verarbeiten und gleichzeitig mehrstufiges Denken erlernen kann. Unsere Methode erzielt eine Spitzenleistung auf einem aktuellen Benchmark-Datensatz in der Literatur. Wir leiten auch eine Reihe neuer Benchmark-Datensätze ab, einschließlich Fragen für mehrstufiges Denken, Fragen, die durch ein neuronales Übersetzungsmodell umformuliert wurden, und Fragen in menschlicher Stimme. Unsere Methode erzielt vielversprechende Ergebnisse auf all diesen herausfordernden Datensätzen.