[论文解读] Geographic Question Answering: Challenges, Uniqueness, Classification, and Future Directions

Gengchen Mai, Krzysztof Janowicz+3 more|arXiv (Cornell University)|May 19, 2021

Topic Modeling参考文献 47被引用 6

一句话总结

本文通过分析空间推理的困难，提出了一种新颖的地理问题分类框架，并识别出GIScience中的独特研究方向，以应对地理问答（GeoQA）中的挑战。它指出现有问答系统在处理空间查询时存在局限性，并主张将空间语义、模糊空间算子和坐标感知嵌入技术整合进来，以推动地理空间人工智能超越标准自然语言处理方法。

ABSTRACT

As an important part of Artificial Intelligence (AI), Question Answering (QA) aims at generating answers to questions phrased in natural language. While there has been substantial progress in open-domain question answering, QA systems are still struggling to answer questions which involve geographic entities or concepts and that require spatial operations. In this paper, we discuss the problem of geographic question answering (GeoQA). We first investigate the reasons why geographic questions are difficult to answer by analyzing challenges of geographic questions. We discuss the uniqueness of geographic questions compared to general QA. Then we review existing work on GeoQA and classify them by the types of questions they can address. Based on this survey, we provide a generic classification framework for geographic questions. Finally, we conclude our work by pointing out unique future research directions for GeoQA.

研究动机与目标

• 探究为何地理问题比一般问答问题更难回答，原因在于空间推理的复杂性。
• 基于空间操作和语义类型，开发一个全面的地理问题分类框架。
• 识别出GeoQA中超越现有SOTA自然语言处理和知识图谱技术的独特研究机会，特别是在利用空间语义和GIScience原理方面。
• 解决当前问答系统在处理空间关系（如邻近性、方向性和共线性）方面的不足，尤其是在现实世界应用中。
• 倡导将空间计算概念（如模糊空间算子和坐标感知嵌入）整合到GeoQA模型中。

提出的方法

• 基于空间操作（如空间邻近性、正交方向和投影三元关系，例如共线性）提出地理问题的分类体系。
• 根据GeoQA系统处理不同类型空间推理的能力进行分类，区分单重关系与多重关系问题。
• 引入“模糊空间算子”的概念，作为确定性空间函数（如GeoSPARQL）的神经网络替代方案，旨在对几何不确定性具有鲁棒性。
• 提出显式将地理坐标编码进向量表示的嵌入策略，以提升深度学习模型中的空间推理性能。
• 建议设计一种受Lisp和Prolog启发的领域特定编程语言，用于以结构化方式表达复杂的空间查询。
• 建议收集并使用包含模糊地理概念（如“南加州”）的标注问答对，以训练能够理解认知性和不精确空间区域的模型。

实验结果

研究问题

• RQ1 为何地理问题在商业问答系统中比一般自然语言问题更难回答，尤其是在涉及空间关系（如邻近性、方向性、共线性）时？
• RQ2 如何基于其底层空间推理操作对地理问题进行系统性分类？
• RQ3 GIScience能为GeoQA做出哪些超越当前SOTA自然语言处理与知识图谱技术的独特贡献？
• RQ4 地理坐标和复杂空间轮廓（如多边形）如何在深度学习模型中被有效编码以用于GeoQA？
• RQ5 地理问答系统如何建模并解决空间关系与地理概念中的模糊性（如“附近”、“南加州”）？

主要发现

• 现有的商业问答系统（如Google）即使在类似问题能被正确回答的情况下，仍无法回答涉及邻近性、正交方向和共线性等空间关系的简单地理问题。
• 在GeoQA中，人类与机器之间的性能差距依然显著，尤其是在需要超越简单事实查找的空间推理任务中。
• 当前基于阅读理解的问答模型在应用于地理问题时，尤其涉及空间关系时，存在数据稀疏性问题。
• 通过神经网络学习得到的模糊空间算子，能够通过在几何不确定性下保持鲁棒性并从数据中隐式学习阈值，从而优于确定性空间函数（如GeoSPARQL）。
• 如Mai等人（2020c, a）近期研究所示，显式将地理坐标编码进嵌入向量可显著提升GeoQA模型中的空间推理性能。
• 一种紧凑且表达力强的编程语言（受Lisp和Prolog启发）用于空间计算，可显著增强GeoQA系统的表达力与可扩展性。