.png){kind=icon}
.png){kind=icon}
返回
Relation-Aware Graph Reasoning for Multiple Choice Question Answering
.png){kind=icon}
PRE
AI
DOI：10.1007/978-981-95-3349-7_8.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
问答（QA）是在自然语言环境中进行推理的任务。大多数现有工作主要利用基于图神经网络（GNN）和预训练语言模型（LM）精心设计的模块，对知识图谱（KG）和自然语言文本进行联合推理。然而，这些方法主要关注实体节点之间的交互，知识应用有限，未能充分利用KG中丰富的关系信息。为缓解这些问题，我们提出关系感知图推理网络（RAGN），旨在通过联合建模知识三元组和知识实体来利用关系信息促进推理过程。具体而言，首先，我们提出三元组-标记（Triplet-Token）以通过编码KG中的知识三元组来捕捉实体间的多样化语义关系。此外，我们提出关系感知动态聚合（RADA）模块，旨在通过：(1) 将三元组-标记转换为关系特定的注意力偏差和消息特征以更新实体表示，同时(2) 通过其头/尾实体细化三元组表示，从而基于多样化的语义关系实现实体和关系信息的动态融合。最后，在三个知识密集型QA基准（CommonsenseQA、OpenBookQA和MedQA-USMLE）上进行的广泛实验表明，RAGN优于传统的KG增强QA系统，验证了我们提出方法的有效性。
Keyword:
Multi-choice question answering
Multi-relational knowledge graphs
Relation-aware reasoning