论文浅尝 | CoRR - 面向复杂知识问答的框架语义解析方法

论文笔记整理：谭亦鸣，东南大学博士。

---

 

     

来源：CoRR abs/2003.13956 (2020)

链接：https://arxiv.org/pdf/2003.13956.pdf

 

KBQA任务中的语义解析目标是将自然语言问题转化为标准查询，而后用于构建知识库查询。现有的方法主要依赖于句法解析（例如依存句法），但是在长句的复杂问题上，这类表达形式存在准确性不足的问题。因此，在这篇文章里，作者提出一种新的框架（skeleton，或者说骨架？）语法解析模型SPARQA，用于表达复杂问题的高层结构。

 

动机及概述

为了理解和回答复杂问题，作者定义了两个挑战：

             

1. 语义解析，目前的语义解析主要依赖于依存句法，但是与简单问题的解析不同，单纯依靠依存句法在复杂问题的解析上会出现许多错误。随着错误传递则会影响到整个语义解析以及问答的性能。图2是作者列举的一个例子，表明了长距离依赖下，依存解析的准确性将出现明显偏差：“movie”和“had”原本是一组依存关系，但由于长句的影响，这组依存没有被识别出来，却生成了“in”和“had”这样的错误依存。

             

2. 一般而言，一个问题通常被转化为独立于知识库的图结构 ungrounded query，但是这个query的结构相比以知识库为基础的formal grounded query可能有所不同，这种情况在复杂问题（包含更多谓词）的情况下同样存在。如图1所示，问句“what movie that Miley Cyrus acted in had a director named Tom Vaughan?”的ungrounded query包含了两个谓词“acted in”以及“director”（见1c），但是在Freebase中，对应grounded query则包含三个谓词（见1d），这是由Freebase的构建机制所决定的。

 

为了处理上述两个挑战，作者提出了一种基于框架（骨架）的语义解析方法，如图3所示，对于输入的问题，首先定义其高层框架（骨架）结构，用于辅助生成更精确的ungrounded query，以KB为基础ungrounded query及其结构变体用于生成grounded query，而后利用一个多策略打分器对query做排序从而检索得到问题的答案。

             

方法

Skeletion Parsing

首先需要对Skeletion语法的部分定义进行说明：

1. Skeleton 句子的框架（骨架）是一棵有向树，其中节点表示句子中的text span，边表示节点之间的附加关系

2. Text span表示句子中的短语级别语义单元，一般包含四种类型：从句Clause (S), 名词短语Noun Phrase (NP), 动词短语Verb Phrase (VP), and 介词短语Prepositional Phrase (PP)。

3. 附加关系 即text span之间的依存关系，这里考虑依存语法中常见的七种：adjectival clause (acl), its sub-type relative clause modifier (acl:relcl), nominal modifier (nmod), its sub-type possessive alternation (nmod:poss), coordination (conj), open clausal complement (xcomp), and adverbial clause modifier (advcl).

 

Skeleton解析算法

下图描述了本文提出的语义解析算法：

即对于输入的自然语言问句Q, 通过一个循环过程逐步切分Q中的text span，并补充span之间的边，从而得到Q对应的Skeleton。（示例见图1b）

             

 

作者使用BERT实现了图1中的四个过程，用于得到grounded query，如图4所示：

四个步骤分别为：

1. Split（本质上是单句分类任务），预测句子是否能进一步被切分

2. Textspan（视为QA任务），预测下一个从Q中被切分的text span，并标记于Q中

3. Headwordidentification（视为QA任务），将剩余Q视作文本段落，s视作问题，输出Q中的一个span

4. AttachmentRelationClassifiction 输入s以及剩余的Q，预测两者之间的relation

             

 

Multi-Strategy Scoring

为了全面地对query进行打分，作者提出并融合了两种打分策略：

1. 句子级别的打分

对于给定的测试问句，首先找到训练集中与之最为相似的问题（在它们的pattern中具有相同数量的虚拟字符（占位符？）） ，将测试问题中的实体对应的替换掉其中的占位符，从而得到一个grounded query，如果这个query能够获取到非空答案，那么它的得分为1.0，否则为0.0.

2. 词汇级别的打分

这个打分基于词袋，如图5所示，首先问题和formal query被表示为词袋形式，移除了其中的具体实体以及停用词，剩下的部分主要描述了其中的谓词，利用GloVe进行embedding 之后，计算两者的余弦相似，从而给出词级别得分。

             

实验与结果

数据集：Graph Questions (Su et al. 2016) 包含5166个问题，其中2258用于训练

ComplexWebQuestion，包含34689个问题，按照80-10-10的方式切分训练验证和测试集

 

实验结果

             

             

 

---

 

OpenKG

开放知识图谱（简称 OpenKG）旨在促进中文知识图谱数据的开放与互联，促进知识图谱和语义技术的普及和广泛应用。

点击阅读原文，进入 OpenKG 博客。