KG-ECO: Knowledge Graph Enhanced Entity Correction for Query Rewriting

要約

Query Rewriting (QR) は、摩擦を減らすために大規模な対話システムで重要な役割を果たします。
エンティティ エラーがある場合、対話システムが満足のいく応答を生成するために追加の課題が課されます。
この作業では、KG-ECO を提案します。KG-ECO を提案します。KG-ECO: クエリ書き換えのためのナレッジ グラフ拡張 Entity COrrection、破損したエンティティ スパンの検出とエンティティの検索/再ランキング機能を備えたエンティティ修正システムです。モデルのパフォーマンスを向上させるために、ナレッジ グラフ (KG) を組み込みます。
エンティティの構造情報 (グラフ ニューラル ネットワークによってエンコードされた隣接エンティティ) とテキスト情報 (RoBERTa によってエンコードされた KG エンティティの説明) を提供します。
実験結果は、私たちのアプローチが 2 つのベースライン (KG 情報を利用しない発話レベルの QR とエンティティの修正) で明らかなパフォーマンスの向上をもたらすことを示しています。
提案されたシステムは、ターゲット エンティティがトレーニングでめったに見られない、またはターゲット エンティティとクエリ内の他のコンテキスト エンティティの間に KG 関係がある少数ショット学習の場合に特に効果的です。

要約(オリジナル)

Query Rewriting (QR) plays a critical role in large-scale dialogue systems for reducing frictions. When there is an entity error, it imposes extra challenges for a dialogue system to produce satisfactory responses. In this work, we propose KG-ECO: Knowledge Graph enhanced Entity COrrection for query rewriting, an entity correction system with corrupt entity span detection and entity retrieval/re-ranking functionalities.To boost the model performance, we incorporate Knowledge Graph (KG) to provide entity structural information (neighboring entities encoded by graph neural networks) and textual information (KG entity descriptions encoded by RoBERTa). Experimental results show that our approach yields a clear performance gain over two baselines: utterance level QR and entity correction without utilizing KG information. The proposed system is particularly effective for few-shot learning cases where target entities are rarely seen in training or there is a KG relation between the target entity and other contextual entities in the query.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google