空壳网站查询,优化大师手机版,网络服务商怎么联系,哈尔滨网站优化如何论文笔记整理#xff1a;谭亦鸣#xff0c;东南大学博士。来源#xff1a;CoRR abs/2003.13956 (2020)链接#xff1a;https://arxiv.org/pdf/2003.13956.pdfKBQA任务中的语义解析目标是将自然语言问题转化为标准查询#xff0c;而后用于构建知识库查询。现有的方法主要依… 论文笔记整理谭亦鸣东南大学博士。 来源CoRR abs/2003.13956 (2020)链接https://arxiv.org/pdf/2003.13956.pdf KBQA任务中的语义解析目标是将自然语言问题转化为标准查询而后用于构建知识库查询。现有的方法主要依赖于句法解析例如依存句法但是在长句的复杂问题上这类表达形式存在准确性不足的问题。因此在这篇文章里作者提出一种新的框架skeleton或者说骨架语法解析模型SPARQA用于表达复杂问题的高层结构。 动机及概述为了理解和回答复杂问题作者定义了两个挑战 1. 语义解析目前的语义解析主要依赖于依存句法但是与简单问题的解析不同单纯依靠依存句法在复杂问题的解析上会出现许多错误。随着错误传递则会影响到整个语义解析以及问答的性能。图2是作者列举的一个例子表明了长距离依赖下依存解析的准确性将出现明显偏差“movie”和“had”原本是一组依存关系但由于长句的影响这组依存没有被识别出来却生成了“in”和“had”这样的错误依存。 2. 一般而言一个问题通常被转化为独立于知识库的图结构 ungrounded query但是这个query的结构相比以知识库为基础的formal grounded query可能有所不同这种情况在复杂问题包含更多谓词的情况下同样存在。如图1所示问句“what movie that Miley Cyrus acted in had a director named Tom Vaughan?”的ungrounded query包含了两个谓词“acted in”以及“director”见1c但是在Freebase中对应grounded query则包含三个谓词见1d这是由Freebase的构建机制所决定的。 为了处理上述两个挑战作者提出了一种基于框架骨架的语义解析方法如图3所示对于输入的问题首先定义其高层框架骨架结构用于辅助生成更精确的ungrounded query以KB为基础ungrounded query及其结构变体用于生成grounded query而后利用一个多策略打分器对query做排序从而检索得到问题的答案。 方法Skeletion Parsing首先需要对Skeletion语法的部分定义进行说明Skeleton 句子的框架骨架是一棵有向树其中节点表示句子中的text span边表示节点之间的附加关系Text span表示句子中的短语级别语义单元一般包含四种类型从句Clause (S), 名词短语Noun Phrase (NP), 动词短语Verb Phrase (VP), and 介词短语Prepositional Phrase (PP)。附加关系 即text span之间的依存关系这里考虑依存语法中常见的七种adjectival clause (acl), its sub-type relative clause modifier (acl:relcl), nominal modifier (nmod), its sub-type possessive alternation (nmod:poss), coordination (conj), open clausal complement (xcomp), and adverbial clause modifier (advcl). Skeleton解析算法下图描述了本文提出的语义解析算法即对于输入的自然语言问句Q, 通过一个循环过程逐步切分Q中的text span并补充span之间的边从而得到Q对应的Skeleton。示例见图1b 作者使用BERT实现了图1中的四个过程用于得到grounded query如图4所示四个步骤分别为Split本质上是单句分类任务预测句子是否能进一步被切分Textspan视为QA任务预测下一个从Q中被切分的text span并标记于Q中Headwordidentification视为QA任务将剩余Q视作文本段落s视作问题输出Q中的一个spanAttachmentRelationClassifiction 输入s以及剩余的Q预测两者之间的relation Multi-Strategy Scoring为了全面地对query进行打分作者提出并融合了两种打分策略1. 句子级别的打分对于给定的测试问句首先找到训练集中与之最为相似的问题在它们的pattern中具有相同数量的虚拟字符占位符 将测试问题中的实体对应的替换掉其中的占位符从而得到一个grounded query如果这个query能够获取到非空答案那么它的得分为1.0否则为0.0.2. 词汇级别的打分这个打分基于词袋如图5所示首先问题和formal query被表示为词袋形式移除了其中的具体实体以及停用词剩下的部分主要描述了其中的谓词利用GloVe进行embedding 之后计算两者的余弦相似从而给出词级别得分。 实验与结果数据集Graph Questions (Su et al. 2016) 包含5166个问题其中2258用于训练ComplexWebQuestion包含34689个问题按照80-10-10的方式切分训练验证和测试集 实验结果 OpenKG开放知识图谱简称 OpenKG旨在促进中文知识图谱数据的开放与互联促进知识图谱和语义技术的普及和广泛应用。点击阅读原文进入 OpenKG 博客。
