笔记整理：李继统，天津大学硕士
1. 动机
目前现有的方法，对于QA上下文使用LM处理，对于KG使用GNN进行处理，并且并不相互更新彼此的表示，也不做语义的对齐表示。因此QA上下文与KG的分离表示可能会限制模型执行结构化推理的能力（比如处理否定问题）。因此本篇工作主要在于QA上下文与KG的融合表示。
2. 亮点
基于知识图谱的问答（KBQA）集中于知识图谱上的多跳推理以及语言模型与知识图谱的融合，目前的方法需要解决两个问题：
（1）在给定上下文的条件下，如何从规模巨大的知识图谱中检索出相关的知识。
（2）如何进行问答上下文与知识图谱的联合推理。
本文提出了一个新的模型：QA-GNN，通过两个关键性创新来尝试解决上述问题：
（1）相关性评分：在给定问答上下文的条件下，使用语言模型计算相关性评分，来估计知识图谱中的实体对于给定上下文的重要性。
（2）联合推理：将问答上下文与筛选出的知识图谱的子图构建一张联合图，使用基于GNN的消息传递来更新彼此的表示。
3. 模型方法
如图1所示，QA-GNN 的工作原理如下。首先，我们使用 LM 来获得 QA 上下文的表示，并从 KG 中检索子图 。然后我们引入一个表示 QA 上下文的 QA 上下文节点 z，并将 z 连接到主题实体 ，我们在两个知识来源上有一个联合图，我们称之为工作图 。为了自适应地捕获 QA 上下文节点与 中的每个其他节点之间的关系，我们使用 LM 计算每对的相关分数，并将该分数用作每个节点的附加特征。然后，我们提出了一个基于注意力的 GNN 模块，该模块在 上执行消息传递以进行多轮。我们使用 LM 表示、QA 上下文节点表示和池化工作图表示进行最终预测。
图1 总体架构图
（1）相关性评分
本文在给定问答上下文的条件下，使用语言模型计算相关性评分，估计知识图谱中的实体对于给定上下文的重要性。对中心实体附近few-hop的节点截为子图，对每一个entity与QA上下文做concat，然后使用预训练语言模型（本文使用的是RoBERTa），计算它们的相似程度。
对于每个节点 ,QA的上下文，节点的相关性评分为：
（2）联合推理
本文中将问答上下文与筛选出的知识图谱的子图构建一张联合图，使用基于GNN的消息传递来更新彼此的表示。
图2 联合推理
该文章在CommonsenseQA以及OpenBookQA数据集上，进行了实验，实验表明，QA-GNN方法比fine-tune LM与现有的LM+KG方法分别提高了 5.7% 和 3.7% ，以及处理结构化推理（如否定问题）的能力，比目前的fine-tune LM有4.6%的提升。
4. 实验结果
本文的实验结果在官方排行榜上均取得了与其他系统竞争的结果。值得注意的是，前两个系统 T5 (Raffel et al., 2020) 和 UnifiedQA (Khashabi et al., 2020) 使用更多的数据进行训练，并且比本文的模型使用 8x 到 30 倍的参数（本文模型的参数为 ∼360M）。排除这些和集成系统，本文的模型在与其他系统的大小和数据量上具有可比性，并在两个数据集上实现了最佳性能。
表1 CommonsenseQA 官方排行榜上的测试准确性
表2 OpenBookQA 排行榜上的测试准确性
表3 CommonsenseQA IHdev上的消融实验
5. 总结
本文提出了QA-GNN，利用预训练语言模型与GNN融合QA上下文与KG。通过使用相关性评分，从知识图谱中检索实体相关子图，并衡量每个节点对于QA上下文的重要程度，这保证了在后续进行融合时，能够注意到这样的相关性信息。接着通过将QA上下文视作一个节点添加进KG，通过工作图连接两个信息源，并通过GNN消息传递联合更新它们的表示。本文是GNN在融合QA上下文与KG的一个尝试，在问答任务上相比现有的预训练语言模型、以及预训练+KG模型，都有不小的提升。同时，使用attention-base GNN，能够可视化知识图谱中节点之间的注意力关系，有助于提高QA可解释性和结构化推理的能力。
OpenKG
OpenKG（中文开放知识图谱）旨在推动以中文为核心的知识图谱数据的开放、互联及众包，并促进知识图谱算法、工具及平台的开源开放。
点击阅读原文 ，进入 OpenKG 网站。