Leveraging Frequent Query Substructures to Generate Formal Queries for Complex Question Answering

Abstract

Formal query generation aims to generate correct executable queries for question answering over knowledge bases (KBs), given entity and relation linking results. Current approaches build universal paraphrasing or ranking models for the whole questions, which are likely to fail in generating queries for complex, long-tail questions. In this paper, we propose SubQG, a new query generation approach based on frequent query substructures, which helps rank the existing (but nonsignificant) query structures or build new query structures. Our experiments on two benchmark datasets show that our approach significantly outperforms the existing ones, especially for complex questions. Also, it achieves promising performance with limited training data and noisy entity/relation linking results.

A Survey on Complex Knowledge Base Question Answering: Methods, Challenges and Solutions

“…The follow-up work tried to improve the formulation of query graphs. To generalize to unseen and long-tail question types, Ding et al [2019] proposed to leverage frequent query substructure for formal query generation. Abujabal et al [2017] utilized syntactic annotation to enhance the structural complexity of the query graph.…”

“…To derive a more interpretable reasoning process, multi-hop reasoning is introduced. Specifically, and Xu et al [2019] proposed to make the relation or entity predicted at each hop traceable and observable. They output intermediate predictions (i.e., matched relations or entities) from predefined memory as the interpretable reasoning path.…”

Uma revisão breve sobre perguntas complexas em bases de conhecimento para sistemas de perguntas e respostas

“…Um dos principais problemas da RNN é a queda no desempenho para sequências mais longas e complexas. Para resolvê-lo, trabalhos recentes utilizam o mecanismo de atenc ¸ão para enfatizar as partes mais relevantes de uma NLQ e preservar o contexto das sentenc ¸as [Bhutani et al 2019, Ding et al 2019, Tong et al 2019, Bhutani et al 2020. Embora RNNs sejam amplamente utilizadas, Redes de Memória [Miller et al 2016, Hao et al 2019, Saha et al 2018, Hua et al 2020b, Hua et al 2020a] e Redes Neurais Convolucionais [Hu et al 2018, Bao et al 2016] podem ser usadas nesta etapa.…”

“…As abordagens de análise semântica baseada em redes neurais tentam resolver perguntas complexas usando uma combinac ¸ão de análise semântica e arquiteturas de redes neurais e estão se tornando o estado da arte [Luo et al 2018, Ding et al 2019. Essa abordagem consiste em treinar uma rede neural para corresponder a um conjunto de regras de análise semântica, em vez de apenas a resposta final.…”

“…Nesse caso, é necessário realizar consultas avanc ¸adas para coletar a resposta dos KBs, como a explorac ¸ão de relac ¸ões indiretas entre entidades, multirelac ¸ões, restric ¸ões qualitativas e quantitativas, entre outras [Bao et al 2016]. Atualmente, os sistemas de QA obtêm melhores resultados ao responder a perguntas simples e, por conta disso, os sistemas de QA para perguntas complexas estão recebendo atenc ¸ão [Ding et al 2019, Bhutani et al 2020.…”