TwiRGCN: Temporally Weighted Graph Convolution for Question Answering over Temporal Knowledge Graphs

要約

近年、複雑な質問応答 (QA) において、ナレッジ グラフ (KG) よりも時間的推論に多くの関心が集まっていますが、人間の能力には依然として大きなギャップが残っています。
テンポラル KGQA 用にリレーショナル グラフ畳み込みネットワーク (RGCN) を一般化する方法を検討します。
具体的には、質問に対する関連する期間の関連性に基づいて、畳み込み中に KG エッジを通過するメッセージを変調するための、新しく直感的で解釈可能なスキームを提案します。
また、複雑な時間的質問に対する答えが KG エンティティまたは時間である可能性が高いかどうかを予測するゲート デバイスも導入し、この予測をスコアリング メカニズムのガイドに使用します。
私たちは、TwiRGCN と呼ぶ結果のシステムを、マルチホップの複雑な時間 QA 用に最近リリースされた挑戦的なデータセットである TimeQuestions で評価します。
このデータセットでは、TwiRGCN がさまざまな質問タイプにわたって最先端のシステムよりも大幅に優れたパフォーマンスを発揮することを示します。
特に、TwiRGCN は、最も難しい序数型および暗黙的な質問タイプの精度を 9 ～ 10 パーセント向上させます。

要約(オリジナル)

Recent years have witnessed much interest in temporal reasoning over knowledge graphs (KG) for complex question answering (QA), but there remains a substantial gap in human capabilities. We explore how to generalize relational graph convolutional networks (RGCN) for temporal KGQA. Specifically, we propose a novel, intuitive and interpretable scheme to modulate the messages passed through a KG edge during convolution, based on the relevance of its associated time period to the question. We also introduce a gating device to predict if the answer to a complex temporal question is likely to be a KG entity or time and use this prediction to guide our scoring mechanism. We evaluate the resulting system, which we call TwiRGCN, on TimeQuestions, a recently released, challenging dataset for multi-hop complex temporal QA. We show that TwiRGCN significantly outperforms state-of-the-art systems on this dataset across diverse question types. Notably, TwiRGCN improves accuracy by 9–10 percentage points for the most difficult ordinal and implicit question types.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google