History Semantic Graph Enhanced Conversational KBQA with Temporal Information Modeling

要約

コンテキスト情報のモデリングは、会話型 KBQA の重要なタスクです。
ただし、既存の方法は通常、発話の独立性を前提としており、発話を個別にモデル化します。
この論文では、低い計算コストを維持しながら会話履歴における長距離の意味論的依存関係を効果的にモデル化できる履歴セマンティックグラフ拡張 KBQA モデル (HSGE) を提案します。
このフレームワークには、動的なメモリ減衰メカニズムを採用し、さまざまな粒度レベルでコンテキストをモデル化するコンテキスト認識エンコーダーが組み込まれています。
複雑な逐次質問応答のために広く使用されているベンチマーク データセットで HSGE を評価します。
実験結果は、すべての質問タイプの平均をとった既存のベースラインを上回るパフォーマンスを示しています。

要約(オリジナル)

Context information modeling is an important task in conversational KBQA. However, existing methods usually assume the independence of utterances and model them in isolation. In this paper, we propose a History Semantic Graph Enhanced KBQA model (HSGE) that is able to effectively model long-range semantic dependencies in conversation history while maintaining low computational cost. The framework incorporates a context-aware encoder, which employs a dynamic memory decay mechanism and models context at different levels of granularity. We evaluate HSGE on a widely used benchmark dataset for complex sequential question answering. Experimental results demonstrate that it outperforms existing baselines averaged on all question types.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google