新方法改进基于知识图谱的问答系统

传统方法的局限

基于知识图谱的问答系统传统采用流水线模型：首先通过语义解析模型生成查询指令，再通过实体解析模型将问题中的实体链接到知识图谱中的ID。这种方法需要独立训练和维护多个模型，且依赖耗时昂贵的人工标注。

端到端问答创新

集成实体解析的可微分知识图谱

在首篇论文中，我们提出将实体解析整合到端到端问答模型中。通过引入跨度检测组件，系统能自动识别问题中可能指向实体的文本片段（如"汤姆·汉克斯"），并对知识图谱中所有可能实体进行评分排序。实验表明，该方法在无需人工标注的情况下，性能与使用人工标注的基线模型仅相差5%-7%。

支持多实体查询的交集操作

第二篇论文针对含多实体的问题（如"娜塔莉·波特曼在《星球大战》中扮演了谁？"）提出交集操作解决方案。模型从每个实体独立出发获取中间答案，通过元素级最小值的向量运算实现交集操作，最终返回所有中间答案共有的实体。实验显示该方法在多实体查询上的性能较基线提升14%-19%。

技术实现细节

• 可微分知识图谱：将知识图谱表示为张量，查询作为可微分数学运算
• 联合学习机制：实体解析与问答推理在统一模型中同步训练
• 交集运算：采用向量元素最小值操作实现多路径结果交集

未来方向

将继续改进实体解析性能至媲美人工标注水平，整合实体解析与交集操作，并扩展支持最大值/最小值计算及计数等复杂运算。

相关研究成果已发表于EMNLP 2021会议