論文筆記整理：譚亦鳴，東南大學(xué)博士。

---

?

? ? ?

來源：CoRR abs/2003.13956 (2020)

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

?

KBQA任務(wù)中的語義解析目標(biāo)是將自然語言問題轉(zhuǎn)化為標(biāo)準(zhǔn)查詢，而后用于構(gòu)建知識(shí)庫查詢。現(xiàn)有的方法主要依賴于句法解析（例如依存句法），但是在長(zhǎng)句的復(fù)雜問題上，這類表達(dá)形式存在準(zhǔn)確性不足的問題。因此，在這篇文章里，作者提出一種新的框架（skeleton，或者說骨架？）語法解析模型SPARQA，用于表達(dá)復(fù)雜問題的高層結(jié)構(gòu)。

?

動(dòng)機(jī)及概述

為了理解和回答復(fù)雜問題，作者定義了兩個(gè)挑戰(zhàn)：

? ? ? ? ? ? ?

1. 語義解析，目前的語義解析主要依賴于依存句法，但是與簡(jiǎn)單問題的解析不同，單純依靠依存句法在復(fù)雜問題的解析上會(huì)出現(xiàn)許多錯(cuò)誤。隨著錯(cuò)誤傳遞則會(huì)影響到整個(gè)語義解析以及問答的性能。圖2是作者列舉的一個(gè)例子，表明了長(zhǎng)距離依賴下，依存解析的準(zhǔn)確性將出現(xiàn)明顯偏差：“movie”和“had”原本是一組依存關(guān)系，但由于長(zhǎng)句的影響，這組依存沒有被識(shí)別出來，卻生成了“in”和“had”這樣的錯(cuò)誤依存。

? ? ? ? ? ? ?

2. 一般而言，一個(gè)問題通常被轉(zhuǎn)化為獨(dú)立于知識(shí)庫的圖結(jié)構(gòu) ungrounded query，但是這個(gè)query的結(jié)構(gòu)相比以知識(shí)庫為基礎(chǔ)的formal grounded query可能有所不同，這種情況在復(fù)雜問題（包含更多謂詞）的情況下同樣存在。如圖1所示，問句“what movie that Miley Cyrus acted in had a director named Tom Vaughan?”的ungrounded query包含了兩個(gè)謂詞“acted in”以及“director”（見1c），但是在Freebase中，對(duì)應(yīng)grounded query則包含三個(gè)謂詞（見1d），這是由Freebase的構(gòu)建機(jī)制所決定的。

?

為了處理上述兩個(gè)挑戰(zhàn)，作者提出了一種基于框架（骨架）的語義解析方法，如圖3所示，對(duì)于輸入的問題，首先定義其高層框架（骨架）結(jié)構(gòu)，用于輔助生成更精確的ungrounded query，以KB為基礎(chǔ)ungrounded query及其結(jié)構(gòu)變體用于生成grounded query，而后利用一個(gè)多策略打分器對(duì)query做排序從而檢索得到問題的答案。

? ? ? ? ? ? ?

方法

Skeletion Parsing

首先需要對(duì)Skeletion語法的部分定義進(jìn)行說明：

Skeleton 句子的框架（骨架）是一棵有向樹，其中節(jié)點(diǎn)表示句子中的text span，邊表示節(jié)點(diǎn)之間的附加關(guān)系

Text span表示句子中的短語級(jí)別語義單元，一般包含四種類型：從句Clause (S), 名詞短語Noun Phrase (NP), 動(dòng)詞短語Verb Phrase (VP), and 介詞短語Prepositional Phrase (PP)。

附加關(guān)系 即text span之間的依存關(guān)系，這里考慮依存語法中常見的七種：adjectival clause (acl), its sub-type relative clause modi?er (acl:relcl), nominal modi?er (nmod), its sub-type possessive alternation (nmod:poss), coordination (conj), open clausal complement (xcomp), and adverbial clause modi?er (advcl).

?

Skeleton解析算法

下圖描述了本文提出的語義解析算法：

即對(duì)于輸入的自然語言問句Q, 通過一個(gè)循環(huán)過程逐步切分Q中的text span，并補(bǔ)充span之間的邊，從而得到Q對(duì)應(yīng)的Skeleton。（示例見圖1b）

? ? ? ? ? ? ?

?

作者使用BERT實(shí)現(xiàn)了圖1中的四個(gè)過程，用于得到grounded query，如圖4所示：

四個(gè)步驟分別為：

Split（本質(zhì)上是單句分類任務(wù)），預(yù)測(cè)句子是否能進(jìn)一步被切分

Textspan（視為QA任務(wù)），預(yù)測(cè)下一個(gè)從Q中被切分的text span，并標(biāo)記于Q中

Headwordidentification（視為QA任務(wù)），將剩余Q視作文本段落，s視作問題，輸出Q中的一個(gè)span

AttachmentRelationClassifiction 輸入s以及剩余的Q，預(yù)測(cè)兩者之間的relation

? ? ? ? ? ? ?

?

Multi-Strategy Scoring

為了全面地對(duì)query進(jìn)行打分，作者提出并融合了兩種打分策略：

1. 句子級(jí)別的打分

對(duì)于給定的測(cè)試問句，首先找到訓(xùn)練集中與之最為相似的問題（在它們的pattern中具有相同數(shù)量的虛擬字符（占位符？）） ，將測(cè)試問題中的實(shí)體對(duì)應(yīng)的替換掉其中的占位符，從而得到一個(gè)grounded query，如果這個(gè)query能夠獲取到非空答案，那么它的得分為1.0，否則為0.0.

2. 詞匯級(jí)別的打分

這個(gè)打分基于詞袋，如圖5所示，首先問題和formal query被表示為詞袋形式，移除了其中的具體實(shí)體以及停用詞，剩下的部分主要描述了其中的謂詞，利用GloVe進(jìn)行embedding 之后，計(jì)算兩者的余弦相似，從而給出詞級(jí)別得分。

? ? ? ? ? ? ?

實(shí)驗(yàn)與結(jié)果

數(shù)據(jù)集：Graph Questions (Su et al. 2016) 包含5166個(gè)問題，其中2258用于訓(xùn)練

ComplexWebQuestion，包含34689個(gè)問題，按照80-10-10的方式切分訓(xùn)練驗(yàn)證和測(cè)試集

?

實(shí)驗(yàn)結(jié)果

? ? ? ? ? ? ?

? ? ? ? ? ? ?

?

---

?

OpenKG

開放知識(shí)圖譜（簡(jiǎn)稱 OpenKG）旨在促進(jìn)中文知識(shí)圖譜數(shù)據(jù)的開放與互聯(lián)，促進(jìn)知識(shí)圖譜和語義技術(shù)的普及和廣泛應(yīng)用。

點(diǎn)擊閱讀原文，進(jìn)入 OpenKG 博客。

總結(jié)

以上是生活随笔為你收集整理的论文浅尝 | CoRR - 面向复杂知识问答的框架语义解析方法的全部?jī)?nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯(cuò)，歡迎將生活随笔推薦給好友。