[2203.10321] Sequence-to-Sequence Knowledge Graph Completion and Question Answering (arxiv.org)

目录

1 Abstract

2 Introduction

3 KGT5 Model

3.1 Textual Representations & Verbalization

3.2 Training KGT5 for Link Prediction

3.3 Link Prediction Inference

3.4 KGQA Training and Inference

1 Abstract

KGE为每个实体和关系生成低维嵌入向量，在真实世界有数百万个实体的图上，会导致模型的参数过大。对于下游任务，这些实体表征需要集成到多阶段pipline中，限制了它们的使用。作者发现可以将encoder-decoder的Transformer当作KGE模型。将KG链接预测任务当作sequence-to-sequence任务，并将以前KGE模型使用的triple score方式变为自回归解码方式。

2 Introduction

作者将KG链接预测任务当作一个seq2seq的任务并且在这个任务上训练一个encoder-decoder的Transformer。使用预训练的模型进行链接预测，之后微调它用于QA。在对QA进行微调时，使用链接预测目标进行正则化。通过这种统一的seq2seq结构，实现了（1）可扩展性——通过使用组合实体表示和自回归解码（而不是对所有实体进行评分）进行推理（2）质量——在两个任务上获得了最先进的性能（3）多功能性——相同的模型可以用于多个数据集上的KGC和KGQA，以及（4）简单性——使用现成的模型获得所有结果，没有任务或数据集特定的超参数调整。

贡献：

（1）证明了KG链接预测和QA可以被视为序列到序列的任务，并使用单个编码器-解码器transformer成功解决;(2)使用这种称为KGT5的简单但强大的方法，将KG链路预测的模型大小减少了98%，同时在具有90M实体的数据集上优于传统的KGE;（3）通过KGQA在不完全图上的任务展示了这种方法的多功能性。通过对KG链路预测进行预训练和对QA进行微调，KGT5在多个大规模KGQA基准上的性能与更复杂的方法相似或更好。

3 KGT5 Model

3.1 Textual Representations & Verbalization

Text mapping

将实体和关系映射到其对应的文本描述。

对于链接预测，需要实体/关系与其文本表示之间的一对一映射。对于基于Wikidata的KGs使用实体和关系的规范提及作为它们的文本表示，然后使用消歧方案，在名称后面添加描述和唯一ID。对于仅用于QA的数据集，不强制执行一对一映射，因为在这种情况下，不必要的歧义消除甚至可能会影响模型的性能。

Verbalization

将链接预测查询转换为文本查询。

通过将查询（s，p，？）描述为文本表示，将查询回答转换为序列到序列的任务。例如，给定一个查询（barackobama，born in，？），首先获得实体和关系的文本提及，然后将其表述为“预测尾部：barackobama| born in”。这个序列被输入到模型中，输出序列被期望是这个查询“united states”的答案，“united states”是实体美国的唯一提及。

3.2 Training KGT5 for Link Prediction

为了训练KGT5，需要一组（输入、输出）序列。对于训练图中的每个三元组（s，p，o），根据3.1描述查询（s，p，？）和（？，p，o）以获得两个输入序列。相应的输出序列分别是o和s的文本提及。

和标准的KGE模型相比，作者在没有明确负采样的情况下进行训练。在解码的每一步上，模型都会在可能的下一个token上产生概率分布。在训练时，该分布和真实token之间使用交叉熵损失。作者不是针对所有其他实体对真实实体进行评分，而是在每个步骤针对所有其他token对真实token进行评分，并且该过程重复的次数与标记的真实实体的长度一样多（一个实体由多个token组成）。这避免了对许多负样本的需要，并且与实体的数量无关。

这里面的vocabulary[v1,v2,…,vM]是所有可能token的集合,目标实体由多个token组成[w1,w2,…,wT]。

3.3 Link Prediction Inference

在传统的KGE模型中，通过找到分数f（s，p，o）∀o∈E来回答查询（s，p，？），其中f是特定于模型的评分函数。然后根据得分对实体o进行排名。

在本文方法中，给定查询（s，p，？），首先将其转换为语言表达，再将其提供给KGT5。然后，从解码器中采样固定数量的序列，然后映射到它们的实体ID。通过使用这样的生成模型，能够近似（高置信度）top-m模型预测，而不必像传统的KGE模型那样对KG中的所有实体进行评分。对于每个解码的实体们分配一个等于解码其序列的（log）概率的分数，即产生（实体，分数）对。为了计算与传统KGE模型相当的最终排名指标，为采样过程中未遇到的所有实体分配了-∞的分数。

3.4 KGQA Training and Inference

对于KGQA，使用链接预测任务在KG上进行链接预测来预训练模型，然后对相同的模型进行微调以进行问答。作者将新的任务前缀（predict answer:）和input question拼接起来，将回答的实体的mention string作为输出。这种统一的方法允许将KGT5应用于任何KGQA数据集，而不用考虑问题的复杂性，并且不需要子模块。

为了对抗QA微调过程中的过拟合（尤其是具有小KG的任务中），设计了一种正则化方案，将从KG中随机采样的链路预测序列添加到每个批次，使得一个批次由相等数量的QA和链路预测序列组成。为了进行推断，使用波束搜索，然后基于邻域的重新排序，从而获得单一答案的模型预测。