Konstruktor: A Strong Baseline for Simple Knowledge Graph Question Answering

要約

「シンデレラの作者は誰ですか?」などの単純な質問は、最も人気のある質問の 1 つですが、まだ完全には解決されていません。
驚くべきことに、最も強力な最新の大規模言語モデルでも、このような質問を扱うとき、特に珍しいエンティティを扱うときはエラーが発生する傾向があります。
同時に、答えは質問エンティティから 1 ホップ離れたところにある可能性があるため、そのような質問に答えるために構造化ナレッジ グラフ (KG) を使用する方法の開発を試みることができます。
このペーパーでは、問題を 3 つのステップ (i) エンティティの抽出とエンティティのリンク、(ii) 関係の予測、および (iii) ナレッジ グラフのクエリに分割する効率的かつ堅牢なアプローチである Konstruktor を紹介します。
私たちのアプローチは、言語モデルとナレッジ グラフを統合し、前者の能力と後者の解釈可能性を活用します。
私たちは、2 つの名前付きエンティティの認識とエンティティのリンク方法、およびいくつかの関係検出手法を実験します。
ワークフローの最も困難なステップである関係検出では、関係の分類/生成とランク付けの組み合わせが他の方法よりも優れていることを示します。
4 つのデータセットに関する Konstruktor の優れた結果を報告します。

要約(オリジナル)

While being one of the most popular question types, simple questions such as ‘Who is the author of Cinderella?’, are still not completely solved. Surprisingly, even the most powerful modern Large Language Models are prone to errors when dealing with such questions, especially when dealing with rare entities. At the same time, as an answer may be one hop away from the question entity, one can try to develop a method that uses structured knowledge graphs (KGs) to answer such questions. In this paper, we introduce Konstruktor – an efficient and robust approach that breaks down the problem into three steps: (i) entity extraction and entity linking, (ii) relation prediction, and (iii) querying the knowledge graph. Our approach integrates language models and knowledge graphs, exploiting the power of the former and the interpretability of the latter. We experiment with two named entity recognition and entity linking methods and several relation detection techniques. We show that for relation detection, the most challenging step of the workflow, a combination of relation classification/generation and ranking outperforms other methods. We report Konstruktor’s strong results on four datasets.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google