Sequence-to-Sequence Knowledge Graph Completion and QuestionAnswering(2022 ACL)

本文主要是介绍Sequence-to-Sequence Knowledge Graph Completion and QuestionAnswering(2022 ACL)，希望对大家解决编程问题提供一定的参考价值，需要的开发者们随着小编来一起学习吧！

论文相关

论文： https://aclanthology.org/2022.acl-long.201.pdf

源码： GitHub - apoorvumang/kgt5: Sequence-to-Sequence Knowledge Graph Completion and Question Answering (KGT5)

摘要

KGE(knowledge graph embedding) 模型用低维的嵌入向量表示知识图谱中的每个实体和关系。这种方法经常用于知识图谱链接预测和基于不完整知识图谱的问答。

现存问题

KGEs通常会为图中的每个实体创建一个嵌入，由于现实中的图谱有数百万个实体，这就导致模型规模较大。对于下游任务，这些原子实体表示通常需要集成到一个多阶段管道中，这限制了它们的实用价值。

解决方法

本文提出了一个现成的transformer 编码器-解码器模型，作为一个可扩展和通用的KGE模型实现KG链路预测和不完全KG问答的最好结果。其主要将KG链路预测作为一个序列对序列的任务，并将先验KGE方法中的三重评分方法与自回归解码交换。与传统的KGE模型相比，这种简单却很有效的方法可以在保持推断时间可控的同时，将模型大小减少98%。

本文提出的方法称作KGT5。用序列到序列的方法实现了 (1) 可扩展性——通过使用组合实体表示和自回归解码(而不是对所有实体打分)进行推断。 (2) 质量——我们在两个任务上获得最先进的性能。 (3) 通用性——同一模型可用于多个数据集上的KGC和KGQA 。(4) 简单——我们使用现成的模型获得所有结果，没有任务或特定于数据集的超参数调优。

KGT5 模型

将链接预测和问答都视为序列到序列的任务。然后，我们在这些任务上训练一个简单的编码器-解码器transformer, 它与T5-small有相同的架构，但没有预训练的权重。在进行问答训练时，我们利用链接预测目标进行正则化。

Textual Representations & Verbalization

Text mapping

对于链接预测，我们需要一个实体/关系与其文本表示之间的一对一映射。对于基于wikidata的KGs，我们使用规范的实体和关系作为其文本表示，然后使用消除歧义方案，将文本描述和唯一id附加到名称。对于仅用于QA的数据集，我们不强制一对一映射，因为在这种情况下，不必要的消除歧义甚至会损害模型的性能。

Verbalization

通过将查询(s, p， ?)表述为文本表示，我们可以将(s, p， ?)查询回答(query answering)转换为一个序列到序列任务。

比如：查询 (barack obama, born in, ?) ---->>>> 模型输入"predict tail: barack obama | born in"，输出"united states"

Training KGT5 for Link Prediction

为了训练KGT5，我们需要一组(输入，输出)序列。利用teacher forcing和交叉熵损失对KGT5进行训练。与标准的KGE模型不同，我们并没有用显式的负采样训练。在解码的每一步，模型都会生成可能成为下一个分词的概率分布。在训练时，该分布由于与使用交叉熵损失的“真实”分布(即下一个真实token的概率为1，其他所有token的概率为0)不同而受到惩罚。

注：teacher-forcing 在训练网络过程中，每次不使用上一个state的输出作为下一个state的输入，而是直接使用训练数据的标准答案(ground truth)的对应上一项作为下一个state的输入。

Link Prediction Inference

给定一个查询query (s,p,?), 传入KGt5模型之前将其转化为文本表示的形式。然后，从decoder 取样一些序列，并将其映射到它们的实体id。通过使用这样的生成模型，我们能够用高置信度估计t前m个模型预测，而不必像传统的KGE模型那样对KG中的所有实体打分。对于每个被解码的实体，我们为其分配一个分数，该分数等于解码其序列的(log)概率。这为我们提供了一组(实体，分数)对。为了计算与传统KGE模型相比较的最终排名指标，我们为抽样过程中没有遇到的所有实体分配了一个−∞的分数。

KGQA Training and Inference

对于KGQA，我们使用链路预测任务在背景KG上对模型进行预训练。然后对相同的模型进行微调，用于问答。我们将一个新的任务前缀(predict answer:)与输入的问题连接起来，并将答案实体的提及字符串定义为输出。这种统一的方法允许我们将KGT5应用于任何KGQA数据集，而不考虑问题的复杂性，并且不需要实体链接等子模块。

为了在QA微调期间(特别是在具有小KGs的任务上)防止过拟合，我们设计了一个正则化方案:我们从背景KG中随机采样链接预测序列到每个批次，这样一个批次包含相等数量的QA和链接预测序列。对于推断，我们使用束搜索和基于邻域(neighbourhood-based)的重新排序来获得模型的预测，这是一个单一的答案。