[论文解读] Exploiting Hybrid Semantics of Relation Paths for Multi-hop Question Answering Over Knowledge Graphs

Zile Qiao, Wei Ye+4 more|arXiv (Cornell University)|Sep 2, 2022

Topic Modeling被引用 4

一句话总结

本文提出TERP，一种新颖的多跳知识图谱问答方法，通过在问题感知的旋转与缩放实体链接预测框架中融合关系路径的显式文本描述与隐式知识图谱结构特征，利用现成的关系路径实现混合语义表示。该方法通过系统协调问题语义与关系路径表征，显著提升了答案实体选择能力，在复杂多跳场景中实现了最先进性能。

ABSTRACT

Answering natural language questions on knowledge graphs (KGQA) remains a great challenge in terms of understanding complex questions via multi-hop reasoning. Previous efforts usually exploit large-scale entity-related text corpora or knowledge graph (KG) embeddings as auxiliary information to facilitate answer selection. However, the rich semantics implied in off-the-shelf relation paths between entities is far from well explored. This paper proposes improving multi-hop KGQA by exploiting relation paths' hybrid semantics. Specifically, we integrate explicit textual information and implicit KG structural features of relation paths based on a novel rotate-and-scale entity link prediction framework. Extensive experiments on three existing KGQA datasets demonstrate the superiority of our method, especially in multi-hop scenarios. Further investigation confirms our method's systematical coordination between questions and relation paths to identify answer entities.

研究动机与目标

• 解决多跳知识图谱问答（KGQA）中的挑战，即需要在关系链上进行推理，但监督信号有限。
• 克服现有KGQA方法中对关系路径的低效利用——这些路径是丰富但被忽视的辅助信息来源。
• 通过系统协调问题语义与互补的关系路径语义，改进答案实体选择。
• 设计一种稳健的框架，以问题感知方式融合关系路径的显式文本特征与隐式结构特征。
• 证明在多跳推理任务中，混合关系路径语义优于仅依赖文本或嵌入特征的方法。

提出的方法

• 将关系路径的显式文本描述（如关系名称和描述）作为辅助特征集成，以增强表征。
• 利用RotatE嵌入捕捉关系的隐式结构语义，通过在复数向量空间中建模为旋转操作。
• 通过个体关系嵌入的逐元素相乘与文本特征的拼接，合成混合关系路径表征。
• 设计一种新颖的旋转与缩放实体链接预测框架，联合建模实体旋转与模长缩放，以更好地对齐问题与关系路径语义。
• 将问题表征与混合关系路径特征一同投影到旋转与缩放框架中，实现端到端的答案预测。
• 采用可学习的融合机制，引入超参数λ以平衡文本与结构特征的贡献，优化在不同问题-路径相似度水平下的性能表现。

实验结果

研究问题

• RQ1 现成的关系路径，结合其文本与结构语义，能否显著提升多跳KGQA性能？
• RQ2 问题感知的文本与知识图谱嵌入特征融合，能否有效提升答案实体选择能力？
• RQ3 在问题与候选路径语义重叠度低的难题中，关系路径在多大程度上提供互补信息？
• RQ4 旋转与缩放框架是否优于仅使用旋转的标准链接预测方法，以更好地对齐问题与相关关系路径？
• RQ5 该方法的性能如何随问题与关系路径表征之间相似度的变化而变化？

主要发现

• 所提出的TERP模型在三个基准KGQA数据集（WebQSP、ComplexWebQuestions和MetaQA）上均达到最先进性能，尤其在多跳场景中表现显著提升。
• 在WebQSP的2跳问题中，当λ = 0.6时，Hits@1得分达到92.4，表明文本与结构特征之间实现了最佳平衡。
• 在WebQSP的“极低相似度”组中，模型性能提升最为显著（+7.3 Hits@1），证实关系路径对低相似度难题提供了关键支持。
• 当忽略关系路径信息时，高相似度问题的性能出现下降，表明若未正确过滤，噪声路径可能对模型造成干扰。
• 旋转与缩放机制显著提升了模型在多跳推理中的鲁棒性与准确性，尤其优于仅使用旋转的标准模型。
• 消融实验验证了关系路径的文本与结构特征均不可或缺，且通过问题感知建模实现的融合，有效促成了问题与路径之间的系统性协调。