基于图的多知识源迭代抽取

# 基于图的多知识源迭代抽取

**20/11 COLING** Improving Commonsense Question Answering by Graph-based Iterative Retrieval over Multiple Knowledge Sources

问题：commonsenseQA 中的一些问题仅靠 ConceptNet 无法解决，e.g. *James was looking for a good place to buy farmland. Where might he look? A: midwest B: countryside C: estate D: farming areas E: illinois*

思路：通过基于图的迭代获取方式，从多个知识源获取知识来解决。

## 1 模型架构

如下图，论文中的模型包含四个模块。

![image-20201207171534632](https://i.loli.net/2020/12/07/fTrLMsWja1wCpK9.png)

1.  基于图的迭代获取模块：从 ConceptNet, Wikipedia, Cambridge Dictionary 中取出相关知识。
2.  基于预训练模型的编码器模块：对知识 和 QA对 编码，问题和选项都包含额外的词典解释。
3.  关注答案选项的注意力机制  (answer choice-aware attention mechanism)：计算知识在问题和选项上的注意力分数。
4.  预测模块

## 2 基于图的知识迭代获取

1.  ConceptNet
    -   question concept 和 key entities (含选项中的实体) 作为初始化节点
    -   根据问题的类型 (where, what)，用规则的方式推断可能的关系，如此用迭代的方式来取回知识要素。
2.  Wikipedia
    -   documents 切分成 sentences，使用 ES 检索 (Elastic Search) 建立索引，用原始问题取出相关的 top10 句子。
    -   对于无结构的文档文本，将文档的各个成分 (title, paragraphs, sentences) 作为节点，并……   （尚未理解）
3.  Cambridge Dictionary
    -   引入实体或概念的解释，问题概念和实体。
    -   将字典条目视作节点，从这些每个节点的例子或代名词中寻找关系。（只选择相关词的解释）

![image-20201207171557281](https://i.loli.net/2020/12/07/9lubBtjkJy4RoIe.png)

用 STS-B 上精调的 BERT 来对上述三种知识源取回的知识进行打分，选择 top 10 相关的知识进行后续编码。

![image-20201207171620841](https://i.loli.net/2020/12/07/yqoL2B6P8FIdUfK.png)

## 3 预训练模型编码

Q：问题 + 问题中词干的解释；A：选项 + 选项的解释；C：上一步取得的知识。

使用 RoBERTa 进行编码，取最后一层的隐状态作为文本编码。

## 4 关注答案选项的注意力机制

将上一步得到的 $$h_a$$ 和 $$h_c， h_q$$ 分别做 attention 得到注意力分数 $$O_{ca}$$, $$O_{qa}$$。

## 5 预测

将上一步得到的注意力分数和3中的隐状态拼接，过一个 Linear，然后拿去预测。

不解：[seq_len, hidden] -> Linear -> [1, hidden] -> softmax -> [1]

文章信息

标题：基于图的多知识源迭代抽取

作者：快刀切草莓君

分类：自然语言处理

发布时间：2020年12月11日

最近编辑：2020年12月11日

浏览量：993

↑