-
题名面向知识图谱约束问答的强化学习推理技术
被引量：9
- 1
-
-
作者
毕鑫
聂豪杰
赵相国
袁野
王国仁
-
机构
深部金属矿山安全开采教育部重点实验室(东北大学)
东北大学计算机科学与工程学院
东北大学软件学院
北京理工大学计算机科学与技术学院
-
出处
《软件学报》
EI
CSCD
北大核心
2023年第10期4565-4583,共19页
-
基金
国家自然科学基金(62072087,61932004,62002054,61972077,U2001211)。
-
文摘
知识图谱问答任务通过问题分析与知识图谱推理,将问题的精准答案返回给用户,现已被广泛应用于智能搜索、个性化推荐等智慧信息服务中.考虑到关系监督学习方法人工标注的高昂代价,学者们开始采用强化学习等弱监督学习方法设计知识图谱问答模型.然而,面对带有约束的复杂问题,现有方法面临两大挑战:(1)多跳长路径推理导致奖励稀疏与延迟;(2)难以处理约束问题推理路径分支.针对上述挑战,设计了融合约束信息的奖励函数,能够解决弱监督学习面临的奖励稀疏与延迟问题;设计了基于强化学习的约束路径推理模型COPAR,提出了基于注意力机制的动作选择策略与基于约束的实体选择策略,能够依据问题约束信息选择关系及实体,缩减推理搜索空间,解决了推理路径分支问题.此外,提出了歧义约束处理策略,有效解决了推理路径歧义问题.采用知识图谱问答基准数据集对COPAR的性能进行了验证和对比.实验结果表明:与现有先进方法相比,在多跳数据集上性能相对提升了2%-7%,在约束数据集上性能均优于对比模型,准确率提升7.8%以上.
-
关键词
知识图谱
约束路径推理
约束问答
强化学习
-
Keywords
knowledge graph
constrained path reasoning
constrained question answering
reinforcement learning
-
分类号
TP18
[自动化与计算机技术—控制理论与控制工程]
-
