Conversational Semantic Parsing using Dynamic Context Graphs

要約

この論文では、数百万のエンティティと数千の関係タイプを含む汎用ナレッジ グラフ (KG) に対する会話型の意味解析のタスクを検討します。
私たちは、会話履歴のコンテキストでユーザーの発話を実行可能な論理形式 (Sparql など) に対話的にマッピングできるモデルに焦点を当てています。
私たちの重要なアイデアは、動的に作成されるサブグラフを介して発話とそのコンテキストに関する情報を表すことです。つまり、ノードの数は発話ごとに異なります。
サブグラフをシーケンスとして扱うのではなく、その基礎となる構造を利用し、グラフ ニューラル ネットワークでエンコードすることで、さらに多数の (目に見えない) ノードを表現できるようになります。
実験結果は、動的コンテキスト モデリングが静的アプローチよりも優れており、全面的に (つまり、単純な質問と複雑な質問に対して) パフォーマンスを向上させることを示しています。
我々の結果はさらに、コンテキストの構造をモデリングする方が、談話情報の処理（つまり、省略記号の処理や共参照の解決）やより長い対話において優れていることを裏付けています。

要約(オリジナル)

In this paper we consider the task of conversational semantic parsing over general purpose knowledge graphs (KGs) with millions of entities, and thousands of relation-types. We focus on models which are capable of interactively mapping user utterances into executable logical forms (e.g., Sparql) in the context of the conversational history. Our key idea is to represent information about an utterance and its context via a subgraph which is created dynamically, i.e., the number of nodes varies per utterance. Rather than treating the subgraph as a sequence, we exploit its underlying structure and encode it with a graph neural network which further allows us to represent a large number of (unseen) nodes. Experimental results show that dynamic context modeling is superior to static approaches, delivering performance improvements across the board (i.e., for simple and complex questions). Our results further confirm that modeling the structure of context is better at processing discourse information, (i.e., at handling ellipsis and resolving coreference) and longer interactions.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google