KBQA调研——Improving Multi-hop Knowledge Base Question Answering by Learning Intermediate Supervision Signals

相较于EmbedKGQA的改变：

 

 

 

 疑问：这里和EmbedKGQA并没有区别，怀疑用的源代码的复现文章。

一篇封闭域的KBQA模型——Key Value-Memory networks (KV-MemNN)：

在特定领域的多数据来源——KB或者文章来进行答案的推理

模型首先获得与问句相关的所有的三元组，将topic entity+关系 作为Key

尾实体作为Value

Key强调，模型通过点积运算为每个记忆单元分配一个归一化的相关权重，作为问题（question）与记忆单元中每个Key表示之间的相关概率；

Value读取，模型通过取所有value和相关权重的加权和来读取所有寻址存储器的值，并使用输出表示中间推理结果，然后用于更新问题（question）表示。

idea：可以使用问题找到与问题相关的子图的方式来得到question的另外一种表示

这样送入模型的是（1）question->RoBERTa->h (2)topic entity of question (3)question->sub Graph ->low dimension

 

 

 

注意除了上述构造问题子图的方式之外还可以使用PullNet（对GRAFT-NET的改进）来进行，其中“Pull”分类器受到弱监督，仅使用 QA 对进行监督。 它首先通过 GRAFT-Net 选择种子实体节点，并在每个迭代步骤中选择一个新颖的分类模型。 然后，通过多次预定义的操作迭代，将越来越多的额外有价值的实体和句子引入当前图中，最终答案可以通过与 GRAFT-Net Haitian 等人相同的程序确定。 （2018 年）。 实验上，PullNet 比 Haitian 等人的现有最先进方法显着提高。 

经典的IR解决方案：

基于表示学习 IR 的方法将问题和相关实体转换为相同维度空间中的分布式向量表示，并将 KGQA 任务视为问题的分布式表示与候选答案之间的语义匹配 Bin et al。

 

 ，注意本篇文章的算法是：

 

 

 

改进点是：

 

 

没涉及到问题表示的部分！！

负样本的个数：