[论文解读] Question Answering over Knowledge Graphs via Structural Query Patterns

Weiguo Zheng, Mei Zhang|arXiv (Cornell University)|Oct 22, 2019

Semantic Web and Ontologies参考文献 22被引用 7

一句话总结

本文提出了一种新颖的知识图谱问答框架，利用结构化查询模式（SQPs）来引导从自然语言问题构建查询图。通过生成查询草图并借助SQP指导的节点与边标注完成查询图，该方法在基准数据集上实现了最先进性能，优于现有的语义解析与基于模板的方法。

ABSTRACT

Natural language question answering over knowledge graphs is an important and interesting task as it enables common users to gain accurate answers in an easy and intuitive manner. However, it remains a challenge to bridge the gap between unstructured questions and structured knowledge graphs. To address the problem, a natural discipline is building a structured query to represent the input question. Searching the structured query over the knowledge graph can produce answers to the question. Distinct from the existing methods that are based on semantic parsing or templates, we propose an effective approach powered by a novel notion, structural query pattern, in this paper. Given an input question, we first generate its query sketch that is compatible with the underlying structure of the knowledge graph. Then, we complete the query graph by labeling the nodes and edges under the guidance of the structural query pattern. Finally, answers can be retrieved by executing the constructed query graph over the knowledge graph. Evaluations on three question answering benchmarks show that our proposed approach outperforms state-of-the-art methods significantly.

研究动机与目标

• 解决将非结构化自然语言问题与结构化知识图谱相连接的挑战。
• 克服语义解析方法（如标注成本高、结构不匹配）与基于模板方法（如覆盖范围有限、难以扩展）的局限性。
• 设计一种能够捕捉查询意图且易于与知识图谱结构对齐的表示方法。
• 确保可扩展问答系统具备高完整性和低构建成本。

提出的方法

• 引入结构化查询模式（SQPs）作为新型表示，捕捉问题的结构意图，而无需完整逻辑形式解析。
• 从输入问题生成与知识图谱模式和拓扑一致的查询草图。
• 通过SQP引导的节点与边标注完成查询图，确保与知识图谱的结构一致性。
• 采用集成模型（RNN-Attention + Text-CNN）预测给定问题最相关的SQP。
• 通过约束增强优化最终查询图，提升答案准确率。
• 基于实证评估结果，将返回的SQP数量（k）设为2，因其性能稳定。

实验结果

研究问题

• RQ1 结构化查询模式能否以可解释且与知识图谱对齐的方式，有效表示自然语言问题的结构意图？
• RQ2 所提出的基于SQP的方法在性能上相较于现有语义解析与基于模板的问答方法表现如何？
• RQ3 实体链接与SQP预测中的错误在多大程度上影响整体系统准确率？
• RQ4 在查询图构建中，返回候选SQP数量（k）的最优值是多少，以实现最佳性能？

主要发现

• 所提方法qaSQP在LC-QuAD数据集上取得0.463的F1分数，优于所有基线方法，包括STAGG与基于模板的系统。
• 用于SQP预测的集成模型在QALD-8上取得0.84的F1分数，在QALD-9上取得0.82的F1分数，优于单一模型（RNN-Attention与Text-CNN）。
• 提供正确的结构化查询模式（qaSQP-CP）仅带来微小性能提升，表明系统在SQP预测方面已具备高度准确性。
• 正确的实体链接（qaSQP-CE）显著优于qaSQP-CP，表明实体链接是主要瓶颈，而非SQP识别。
• 当返回的SQP数量k=2或k=3时，系统性能趋于稳定，因此默认设置为k=2，以实现精确率与召回率的最佳平衡。
• 17%的错误源于查询图扩展过程中的标签分配错误，29%的错误源于实体链接失败，凸显未来改进的关键方向。