Question Decomposition Tree for Answering Complex Questions over Knowledge Bases

要約

ナレッジ ベースの質問応答 (KBQA) は、近年、特に複数の事実を回答する必要がある複雑な質問に対して多くの関心を集めています。
質問分解は、複雑な質問に答える有望な方法です。
既存の分解方法では、単一の構成タイプに応じて質問をサブ質問に分割しますが、複数の構成タイプが含まれる質問には不十分です。
本稿では、複雑な質問の構造を表現するための質問分解ツリー(QDT)を提案します。
自然言語生成 (NLG) の最近の進歩に触発され、QDT を生成するための Clue-Decipher と呼ばれる 2 段階の方法を紹介します。
NLG モデルの強力な機能を活用し、同時に元の質問を保存できます。
QDT が KBQA タスクを強化できることを検証するために、QDTQA と呼ばれる分解ベースの KBQA システムを設計します。
広範な実験により、QDTQA が ComplexWebQuestions データセットに対する以前の最先端の手法よりも優れたパフォーマンスを発揮することが示されました。
さらに、私たちの分解方法は既存の KBQA システムを 12% 改善し、LC-QuAD 1.0 で新しい最先端を確立します。

要約(オリジナル)

Knowledge base question answering (KBQA) has attracted a lot of interest in recent years, especially for complex questions which require multiple facts to answer. Question decomposition is a promising way to answer complex questions. Existing decomposition methods split the question into sub-questions according to a single compositionality type, which is not sufficient for questions involving multiple compositionality types. In this paper, we propose Question Decomposition Tree (QDT) to represent the structure of complex questions. Inspired by recent advances in natural language generation (NLG), we present a two-staged method called Clue-Decipher to generate QDT. It can leverage the strong ability of NLG model and simultaneously preserve the original questions. To verify that QDT can enhance KBQA task, we design a decomposition-based KBQA system called QDTQA. Extensive experiments show that QDTQA outperforms previous state-of-the-art methods on ComplexWebQuestions dataset. Besides, our decomposition method improves an existing KBQA system by 12% and sets a new state-of-the-art on LC-QuAD 1.0.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google