[译] 一种用于多关系问答的可解释推理网络

论文笔记整理：谭亦鸣，东南大学博士生，研究方向为跨语言知识图谱问答。

来源： COLING 2018

链接： https://www.aclweb.org/anthology/C18-1171

问题背景与动机

多关系问答（ multi-relationquestion answering ）是知识问答的一个重要任务， “ 多关系 ” 指的是问题中包含多个关系和实体信息，为了回答这类问题，需要对知识库中多个事实三元组进行分析和推理。

现有的方法主要可以分为两类：基于语义分析；基于 embedding ；

基于语义分析的方法主要依赖于人工特征与标注，但是泛化能力较弱。

基于 embedding 的方法一般利用弱监督机制训练得到 end-to-end 问答模型，但是现有的方法主要依赖于相似度计算而在推理方面有所欠缺。

在这篇文章中，作者提出 ‘ 可解释推理网络（ Interpretable Reason Network ， IRN ）模型 ’ 用于解决多关系问答。通过多跳推理的形式完成多关系问题的问答过程。

贡献

1. 提出面向多关系问答的 IRN 模型，并在性能上取得了 state-of-art

2. 相对于现有推理网络，这篇文章提出的方法更具可解释性，多跳推理的过程可以清晰的反映答案生成的过程

模型

IRN 的整体框架如图所示，其中包含三个子模型： Input Module; ReasoningModule; Answer Module ，分别用于问句的 embedding ，三元组推理以及答案的生成。

以问题 ‘Howold is Obama’s daughter?’ 为例，问题的解析、推理和回答过程包含三跳 (3 hops) ，每个 hop 包含的过程相同，描述如下：

1. Input Module ：输入问题 ( 仅初始 ) ，得到问题的 embedding 形式 q

2. Reasoning Module ：输入 q ，以及对问题 NER 得到的实体信息 e ₁，找到对应的关系 r ₁

3. Input Module ：将已识别关系信息 r ₁从 q 中去除，得到更新的 q’ ，用于下一步推理

4. Answer Module ：根据已得到的 e ₁和 r ₁从知识库中找到对应的答案信息

5. Reasoning Module ：将已分析实体信息 e ₁与关系信息 r ₁融合，并用于下一步推理

其中，获取关系 r 的计算过程如以下公式所示：

实验

实验数据

本文实验所使用的数据基于 WorldCup2014 ，数据集的统计信息由表 1 所示。

实验结果

对比模型说明：

1. Embed (Bordes et al., 2014b) ：利用 embedding 空间将问题和答案进行匹配的方法

2. Subgraph (Bordes et al., 2014a) ：在 Embed 基础上利用实体子图加强答案实体的表达

3. Seq2Seq (Sutskever et al., 2014) ：使用基于 LSTM 的 encoder-decoder 实现的语义解析模型

4. MemN2N (Sukhbaatar et al., 2015) ：使用记忆网络构建的 end2end 模型，其中记忆单元包含了相关的三元组信息

5. KVMemN2N (Miller et al., 2016) ：在 MemN2N 的基础上，将记忆单元划分为键 – 值两个部分，键为头实体及关系，值为尾实体

6. IRN-weak (This paper)

可解释性分析

表 3 反映了 IRN 在多跳过程中识别关系和实体的精准度， r ₁ /e ₁ -> r _n /e _n -> a

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。