陳子陽，廖勁智，趙 翔，陳盈果

國防科技大學 信息系統(tǒng)工程重點實驗室，長沙 410073

問答系統(tǒng)（question answering，QA）是自然語言處理（natural language processing，NLP）主要的研究領域之一，旨在讓計算機能夠理解自然語言形式的問題，并且自動地給出答案[1]。近年來，隨著知識圖譜（knowledge graph，KG）技術的不斷發(fā)展，出現(xiàn)了以Freebase[2]、DBpedia[3]、CN-DBpedia[4]為代表的大規(guī)模知識圖譜。知識圖譜通過將現(xiàn)實中的知識結(jié)構化為實體與實體間關系，利用(h,r,t)的三元組形式進行表示，其中h、r、t分別代表頭實體（head）、關系（relation）和尾實體（tail），這種組織形式更有利于研究者發(fā)現(xiàn)、探索知識之間的關聯(lián)關系。因此，綜合問答系統(tǒng)優(yōu)勢與知識庫特性的知識庫問答（knowledge base question answering，KBQA）受到了學術界和工業(yè)界的廣泛關注[5-6]。

知識庫問答旨在通過知識庫中結(jié)構化的知識回答自然語言問題。目前主流的研究工作大致可分為兩類：（1）基于語義解析（semantic parsing，SP）的方法，利用模板和標注信息對問題進行解析，將其轉(zhuǎn)化為一個圖查詢語句，通過執(zhí)行該查詢語句來獲取答案；（2）基于神經(jīng)推理（neural reasoning，NR）的方法，通過從問題和答案中提取出對應的特征，設計相應的打分函數(shù)以評價候選答案和問題的語義相關性，最終得分最高的候選答案被作為模型預測的答案輸出。

基于語義解析的代表性工作QUINT（自動化模板生成模型）[7]通過自動從問題語句的組成部分和KG 查詢的對齊中學習語句-查詢模板，解決了傳統(tǒng)SP 工作中對人工模板的依賴問題。然而，由于知識圖譜通常存在鏈接缺失問題，如DBpedia 和Freebase中分別有66%和71%的人物實體缺少出生地信息[8]，導致了QUINT 無法通過簡單的查詢獲得預期的結(jié)果。舉例而言，圖1 展示的是蘇軾相關的知識圖譜，其中蘇軾和蘇洵之間缺失了相應的關系。針對這個圖譜，如果提出問題“蘇軾的父親是誰？”，即使其正確解析了問題，并且給出了合理的圖查詢語句，該模型也是難以給出正確答案的，因為其無法在知識庫中尋找到<蘇軾，父親，？>這條知識。

Fig.1 Knowledge graph related to Su Shi圖1 蘇軾相關圖譜

基于神經(jīng)推理的代表性工作MCCNNs（multicolumn convolutional neural networks）[9]通過引入多列卷積神經(jīng)網(wǎng)絡來對問句的三個方面（答案關系路徑、答案上下文和答案類型）進行理解和分布式表征學習，再通過評分函數(shù)對候選答案進行排序輸出。利用語義相關性，MCCNNs 能夠一定程度上避免知識圖譜鏈接缺失問題。然而，由于MCCNNs 需預先對圖譜中實體進行訓練，基于獲得的表示向量進行后續(xù)操作，這導致了其無法處理動態(tài)場景下新出現(xiàn)實體（冷啟動）相關的問題。譬如，當圖1 中的圖譜添加新的鏈接<蘇軾，好友，黃庭堅>后，針對問題“蘇軾的好友是誰？”，因缺失新實體“黃庭堅”的語義向量，模型無法進行推理。

針對上述問題，本文提出了一種融合子圖結(jié)構的神經(jīng)推理式知識庫問答模型（incorporating subgraph structure via neural reasoning，ISS-NR），通過綜合知識圖譜中的子圖結(jié)構信息以及問句和實體的語義信息進行推理，解決了圖上鏈接缺失與實體冷啟動問題。具體來說，為克服知識圖譜中的鏈接缺失問題，ISS-NR 借鑒了神經(jīng)推理式模型中對圖譜進行預訓練的思想，在對實體向量的表示過程中引入了預訓練過程，以實現(xiàn)在鏈接缺失的情況下，仍能利用語義相關性對問題進行推理預測。針對實體冷啟動問題，本文設計了利用子圖結(jié)構信息增強實體向量表示的模塊，包括子圖構建、子圖信息表示及信息融合等，實現(xiàn)了利用新實體的子圖結(jié)構信息對其進行編碼表示更新，使得模型具備了優(yōu)良的泛化能力。本文主要有如下三個貢獻：

（1）提出了一種融合子圖結(jié)構的神經(jīng)推理式知識庫問答模型，在問答過程中兼顧實體的子圖結(jié)構信息及其語義信息，使其具有更強的推理能力。

（2）針對當前神經(jīng)表示中新實體冷啟動問題，設計了相關子圖匹配、抽取與表示融入模塊，利用子圖結(jié)構信息編碼表示新實體。

（3）利用WebQuestionsSP 數(shù)據(jù)集驗證了本文方法的有效性，實驗結(jié)果也證實了本文提出的模型取得了當前最好的效果。

1 相關工作

知識庫問答是一種利用知識庫中結(jié)構化的知識對自然語言問題進行推理回答的任務。目前主流的知識庫問答有兩類，分別是基于語義解析的方法和基于神經(jīng)推理的方法。

1.1 基于語義解析的知識庫問答

基于語義解析的方法通過模板和標注信息對問題進行解析，并且轉(zhuǎn)化為一個圖查詢語句，在知識庫中執(zhí)行該查詢語句來獲取答案。為了更好地理解自然語言形式的問題，許多方法依賴于句法分析，例如依存關系[10-11]。文獻[12]提出了一個STAGG（staged query graph generation）框架，首先定義一個可以直接轉(zhuǎn)化為Lambda 演算的查詢圖，然后將語義解析的過程演變?yōu)椴樵儓D生成過程。利用圖譜信息對語義解析空間進行了裁剪，簡化了語義匹配的難度。對于人工模板的依賴問題，文獻[7]提出了一種自動生成模板的QUINT 模型，能夠自動從問題語句的組成部分和KG 查詢之間的對齊中學習語句-查詢模板。

但是，知識圖譜上往往存在鏈接缺失問題，為語義解析方法帶來了額外的挑戰(zhàn)。若問題所要查詢的關系鏈接恰好缺失，那么即使模型對問題的解析是正確的，查詢時也無法產(chǎn)生正確的答案。同時，這個問題也增大了模型在訓練過程中學習到錯誤模式的概率，導致性能下降。

1.2 基于神經(jīng)推理的知識庫問答

基于神經(jīng)推理的方法主要利用語義相關性，設計相應的打分函數(shù)對候選實體進行打分，選取得分最高的作為答案。文獻[13]是該類方法的基礎模型。文章首先對問句進行句法分析，并提取特征詞匯，將其轉(zhuǎn)化為問句特征圖；然后在KG 內(nèi)提取相關候選答案的特征圖；最后將問句中的特征與候選特征圖中的特征進行組合，直接通過分類器來學習。

為了豐富問答時的支撐信息，部分工作[14-15]提出用額外的問題相關文本語句（例如維基百科中與問題相關的文本語料）等非結(jié)構化知識來補充從知識庫中提取的子圖，形成一個異構圖，并在其上進行推理，取得了效果的提升。

除了額外的文本語料庫外，文獻[16]采用了知識庫嵌入的方法，通過進行缺省鏈接預測來緩解知識庫的稀疏性。MCCNNs[9]通過多列卷積神經(jīng)網(wǎng)絡來對問句的三個方面（答案關系路徑、答案上下文和答案類型）進行理解和分布式表征學習，獲取更多有效的特征，取得了優(yōu)異的效果。

但是，由于該類方法需預先對圖譜中實體進行訓練，在獲得的表示向量的基礎上開展研究，這導致了其無法回答動態(tài)場景下新出現(xiàn)實體（冷啟動）相關的問題。

2 方法與模型

本章首先給出了知識庫問答的任務定義，其次詳細介紹了模型的原理和訓練預測流程。

定義1（知識庫問答任務）知識庫問答的目標就是給定自然語言問題Q，通過對知識庫G中的結(jié)構化信息進行查詢和推理，從而得到實體集A作為問題的答案。

例如，針對問題“蘇軾的父親是誰？”，可以通過知識圖譜中的<蘇軾，父親，蘇洵>這個三元組得到答案。對于更為復雜的問題，可以利用多個三元組進行推理得到答案。例如，對于問題“錢學森的妻子曾任職于哪個單位？”，可以通過<錢學森，妻子，蔣英>和<蔣英，任職，中央音樂學院>兩個三元組推理進行回答。

2.1 模型總覽

本文提出了融合子圖結(jié)構的神經(jīng)推理式知識庫問答模型ISS-NR，同時利用實體的子圖結(jié)構信息與語義信息完成自然語言形式的多跳推理問答。模型的總體框架如圖2 所示，主要包括三個模塊：

（1）問題編碼：對自然語言形式的問題進行編碼，將其轉(zhuǎn)換為包含語義信息的向量形式，以作為后續(xù)相關操作的基礎輸入。

（2）子圖信息抽取：為充分利用知識圖譜的結(jié)構和語義信息，首先針對查詢中的主實體從知識圖譜中抽取其k階子圖，其次利用圖神經(jīng)網(wǎng)絡捕捉結(jié)構信息，最后融合結(jié)構向量表示與神經(jīng)推理中預訓練得到的向量表示，為下一步的推理問答提供充分的支撐信息。

（3）答案評分：利用全連接網(wǎng)絡對候選答案集進行評分排序，輸出最后的預測結(jié)果。

2.2 問題編碼模塊

本模塊旨在將自然語言形式的問題q編碼為固定維度的向量eq，便于模型后續(xù)的處理和使用。為了讓問句的編碼具有泛化能力，不局限于某個具體實體的預測，在編碼過程中，將實體信息從問句中刪除，保留剩余部分作為編碼的主體。具體而言，對于給定的問題q和問句中涉及的主實體h，首先將實體從問句中剔除，只保留不含實體的問句q′，再通過預訓練模型RoBERTa（robustly optimized BERT approach）[17]將自然語言形式的問句轉(zhuǎn)化為768 維的向量。

2.3 子圖構建

存在語義關系的兩個實體一般在結(jié)構關系上也會相近，因此ISS-NR 選取子圖作為模型推理的范圍。為方便表述，給出以下定義：

定義2（k階問答子圖）對于問題主題實體u和答案實體v，將u到v所有長度小于等于k的路徑集合所構成的圖稱為實體u和v的k階問答子圖。

通過Dijkstra 算法實現(xiàn)對目標節(jié)點問答子圖的抽取。Dijkstra 算法[18]是經(jīng)典的最短路徑算法，能夠在圖網(wǎng)絡上計算一個節(jié)點到其他節(jié)點的最短路徑。它的核心思想就是以起始點為中心向外逐層擴展，同時不斷更新起始點到其他節(jié)點的最短路徑長度，直到擴展到終點為止。問答子圖抽取的具體流程可以歸納為五個步驟：

（1）選定目標節(jié)點u和v；

（2）分別選取u和v周圍距離k以內(nèi)的鄰居節(jié)點和邊，記為Nk(u)和Nk(v)；

（3）計算Nk(u)和Nk(v)的交集Nk(u)?Nk(v)；

（4）去除孤立節(jié)點；

（5）利用Dijkstra 算法計算每個節(jié)點到u和v的距離，保留到u和v的距離都小于k的節(jié)點，構成最終的關系子圖。

問答子圖中包含了問題實體u到答案實體v推理所需的路徑和結(jié)構信息，為之后的模型步驟提供了充分的信息來源，同時也去除了無用信息，減少了模型推理的范圍。

Fig.2 Framework of ISS-NR圖2 ISS-NR 模型框架

2.4 子圖信息學習

推理的前提是擁有充分且可使用的信息，為了讓復雜的圖結(jié)構轉(zhuǎn)化為計算機能夠處理運算的形式，ISS-NR 使用圖神經(jīng)網(wǎng)絡對子圖的結(jié)構進行嵌入學習。

其中，u為起始節(jié)點；v為末尾節(jié)點；d(i,u)表示節(jié)點i和u的最短距離；d(i,v)表示節(jié)點i和v的最短距離。

通過使用距離的獨熱向量來對節(jié)點進行標注，節(jié)點的表示能夠充分包含關系子圖上節(jié)點的結(jié)構拓撲信息，為之后的評分提供了信息基礎。

標記完節(jié)點后，得到一個具有初始表示的關系子圖，但是各個節(jié)點信息不夠完善，缺失了重要的鄰居節(jié)點和邊的信息，無法直接進行推理。因此，需要在圖嵌入模塊使用圖神經(jīng)網(wǎng)絡對節(jié)點的表示進行更新迭代，使得各個節(jié)點的嵌入表示能夠蘊含鄰居和邊的信息，為推理提供充分的信息來源。ISS-NR 使用R-GCN（relational graph convolutional networks）[19]對子圖的信息進行聚合，以更新各個節(jié)點的表示，為其增加鄰居和邊的信息，同時獲取圖G(u,rt,v)的嵌入表示。

R-GCN 將節(jié)點表示與鄰居表示進行聚合，實現(xiàn)節(jié)點表示的迭代更新。更新的節(jié)點表示可以用下式進行計算：

在多次迭代更新后，節(jié)點的表示向量能夠充分獲取子圖上的結(jié)構信息，而這些結(jié)構信息中則蘊含了問題的推理過程。

對各個節(jié)點的表示向量求和取平均值作為該子圖的表示。假設R-GCN 網(wǎng)絡的層數(shù)為L，則對于u和v的關系子圖G(u,rt,v)可以用下式計算其嵌入表示：

其中，VG(u,rt,v)表示G(u,rt,v)中節(jié)點的集合。

通過使用R-GCN 對子圖進行圖嵌入學習，能夠獲得子圖的表示向量和各個節(jié)點的表示向量，其中包含了豐富的圖結(jié)構信息，為推理任務提供了信息基礎。

2）建筑物縱橫墻等交接處的兩側(cè)，不同地質(zhì)條件、不同荷載分布、不同基礎類型、不同基礎埋深、不同上部結(jié)構的兩側(cè)，沉降監(jiān)測點選取在建筑物拐角，并且容易進行測量的位置。監(jiān)測點要牢固，容易保存，以便進行多次測量。

2.5 表示信息融合

為克服知識圖譜中的鏈接缺失問題，ISS-NR 融合了知識表示模型ComplEx（complex embeddings）[20]訓練得到的節(jié)點向量，以實現(xiàn)存在缺失的情況下，仍能利用語義相關性對問題進行推理預測。ComplEx能夠?qū)⒅R圖譜中的關系和實體映射到復數(shù)空間中。

首先為知識庫中每個實體隨機賦值初始值，同時構建正樣本集合和負樣本集合，通過梯度下降法進行多次迭代訓練，使真實樣本更滿足ComplEx 的約束條件，錯誤樣本更遠離約束條件，最終獲得每個節(jié)點的ComplEx 表示向量。

2.6 答案評分

經(jīng)過以上步驟獲取了問題的語義向量eq，問答子圖G(u,rt,v)的嵌入、問題主實體嵌入和答案實體嵌入，這些嵌入向量中包含了u到v推理所需的信息。

為了將向量中蘊含的信息進行提取輸出，首先對獲取的4 個嵌入表示進行聚合，將4 個嵌入直接拼接作為聚合向量進行后續(xù)的計算。

接下來使用線性層對聚合向量進行評分：其中，WT是線性層的權重系數(shù)矩陣。根據(jù)得分的高低來判斷候選答案的可信度，得分越高代表答案正確的可能性越大。

2.7 訓練與預測

2.7.1 模型訓練

對于給定的問答訓練集，將訓練集中問題的正確答案作為正樣本，然后隨機替換答案構建負樣本，通過給正樣本打更高的分數(shù)來實現(xiàn)對模型權重參數(shù)的學習，其損失函數(shù)為：

其中，E 是訓練集中所有三元組的集合；pi和ni分別指正樣本和負樣本；γ是邊距超參數(shù)。使用Adam優(yōu)化器[21]來實現(xiàn)對模型參數(shù)的學習。Adam 優(yōu)化器是對隨機梯度下降法的擴展，可以更有效地更新網(wǎng)絡權重。模型訓練的流程如圖3 所示。

Fig.3 Training flowchart圖3 訓練流程圖

2.7.2 模型預測

通過模型訓練，可以得到所需的模型參數(shù)，實現(xiàn)對候選答案的問答子圖進行評分，分數(shù)越高代表該候選答案為真的可能性越大?；谶@樣的模型結(jié)構，在對缺失的知識進行預測推理時，可以遍歷G 中的所有實體，構建可能的候選實體列表：

對于列表中的三元組，使用訓練好的模型對其進行可能性評分，選取評分最高的實體作為預測結(jié)果：

在絕大部分情況下推理預測的結(jié)果都是問題主實體head 兩跳內(nèi)的節(jié)點，因此，為了兼顧性能和準確度，在實際預測中，模型選取head 兩跳內(nèi)的節(jié)點作為候選答案進行評分，以獲取更快的推理速度。

3 實驗及分析

本章對ISS-NR 模型進行了實驗測試，并且和傳統(tǒng)方法進行了對比分析。

3.1 實驗設定

3.1.1 實驗數(shù)據(jù)集

本文使用WebQuestionsSP[22]（https://www.microsoft.com/en-us/download/details.aspx?id=52763）作 為實驗數(shù)據(jù)集驗證模型效果。WebQuestionsSP 是為了解決真實問題構造的數(shù)據(jù)集，其中的問題來源于Google Suggest API，是目前使用最廣泛的問答數(shù)據(jù)集之一。數(shù)據(jù)集包含訓練數(shù)據(jù)2 998 條，測試數(shù)據(jù)1 639 條，數(shù)據(jù)樣例如表1 所示。

Table 1 Example of dataset content表1 數(shù)據(jù)集內(nèi)容示例

此外，由于WebQuestionsSP中的實體均在Freebase（http://www.freebase.com）中出現(xiàn)，本文選用Freebase的子集作為背景知識庫進行實體預訓練。Freebase是一個大型的知識庫，含有超過26 億條三元組和4 600 萬個實體。由于原始知識庫過于龐大且問答數(shù)據(jù)集中只包含知識庫中部分實體和關系，本文對Freebase 進行篩選?？紤]到WebQuestionsSP 中的大部分問題能夠在兩跳范圍內(nèi)推理解答，本文保留問答數(shù)據(jù)集中每個實體兩跳范圍內(nèi)的節(jié)點?？s減后的知識庫包含180萬個實體和570萬條三元組數(shù)據(jù)。

3.1.2 實驗參數(shù)設定

實驗中，模型的參數(shù)為：問答子圖的階數(shù)設置為2，階數(shù)越大，問答子圖的規(guī)模越大。模型也能夠推斷更復雜的信息，但是訓練復雜度也會上升。對于實驗數(shù)據(jù)集，跳數(shù)設置為2 較為合適。rel_emb_dim（關系嵌入的維數(shù)）設置為32，即對于知識庫中的每個關系，將其編碼為一個長度為32 維的向量。ent_emb_dim（實體嵌入的層數(shù)）設置為32，即對于知識庫中的每個實體，將其編碼為一個長度為32 維的向量。num_gcn_layers（GCN 的層數(shù)）設置為3。kge_model（嵌入的表示模型種類）設置為ComplEx。模型能夠嵌入不同的表示模型，對于本次實驗，選取ComplEx作為嵌入模型，向量維度設置為256 維。num_neg_samples_per_link（負樣本抽取數(shù)量）設置為1，對于每個正樣本。隨機替換其頭實體（或尾實體）構建1 個負樣本。margin（間隔超參數(shù)）設為10。learning_rate（訓練的學習率）設為0.01。參數(shù)設置如表2 所示。

Table 2 Model parameters表2 模型參數(shù)

3.1.3 對比模型與評價指標

為了驗證本文模型的有效性，實驗對比了當前主流的基準模型：

（1）KV-Mem（key-value memory networks）[23]是最早嘗試在知識庫問答任務中引入文本信息的模型之一，通過使用鍵值對的形式，將知識庫中的事實和相關文本信息存儲在一個內(nèi)存表中，以供檢索使用。

（2）STOP+KVQU+SQ（鍵值對增強模型）[24]在KV-Mem 的基礎上進行了增強，加入STOP 模塊和結(jié)構化查詢方法。

（3）QUINT[7]利用問答對和依存樹，能夠自動從問題語句的組成部分和KG 查詢之間的對齊中學習語句-查詢模板，實現(xiàn)對復雜問題的回答。

（4）STAGG[13]定義了一個可以直接轉(zhuǎn)化為Lambda 演算的查詢圖，將語義解析的過程演變?yōu)椴樵儓D生成過程。

（5）MCCNNs[9]使用多列卷積神經(jīng)網(wǎng)絡來對問句進行多方面的表征學習，通過評分函數(shù)對候選答案進行排序輸出。

本文選取準確率（accuracy，ACC）作為性能評價指標。準確率用于衡量預測得分最高的實體是否在真實答案之中，該項數(shù)值越大表明模型越好，計算方式如下：

其中，Q表示問句數(shù)量；ET為問題Q的實際答案集合；P為模型預測得分最高的實體；函數(shù)E表示元素是否在集合中，其值域為{0,1}。

3.2 總體結(jié)果

為比較本文模型和基準方法的效果差異，本文在WebQuestionsSP 數(shù)據(jù)集上將ISS-NR 與上述基準模型進行了對比測試，實驗結(jié)果如表3所示，ISS-NR的性能相對于基準方法有著顯著的提升。STOP+KVQU+SQ在KV-Mem 的基礎上進行了增強，同時引入了額外的文本信息，成為當前最優(yōu)的基準模型。而ISS-NR通過充分提取知識庫中相關實體的結(jié)構和語義信息進行問答推理，在不引入外部文本的情況下，準確率相對于最優(yōu)基準模型提升了7.7 個百分點，說明ISSNR 能夠更有效地利用知識庫中的信息，顯示出本文模型的優(yōu)勢。

Table 3 Comparison with baseline methods表3 ISS-NR 與基準方法結(jié)果比較

3.3 實體冷啟動實驗

在WebQuestionsSP 數(shù)據(jù)集中，訓練集和測試集使用相同的知識庫，因此模型訓練時能夠獲取所有的實體信息，不存在實體冷啟動的情況。為了驗證模型解決實體冷啟動問題的效果，本文在Web-QuestionsSP 數(shù)據(jù)集的基礎上提出了兩個新的數(shù)據(jù)集WebQuestionsSP（Half）和WebQuestionsSP（Zero）。其中WebQuestionsSP（Half）訓練使用的知識庫是預測時的子集，確保測試集中問題的答案實體不會在訓練中的知識庫出現(xiàn)，通過這樣的方式模擬新增實體導致的冷啟動問題；WebQuestionsSP（Zero）訓練和預測時的知識庫不存在交集，即預測步驟在模型完全未見過的知識庫上進行，以模擬極端情況下的實體冷啟動問題。在新的數(shù)據(jù)集上進行實驗，結(jié)果如表4 所示，ISS-NR 在Half 和Zero 數(shù)據(jù)集上分別取得了53.1%和40.4%的準確率，其中ISS-NR 在Half 數(shù)據(jù)集上的效果接近了最優(yōu)基準方法STOP+KVQU+SQ在完整數(shù)據(jù)集上的效果。說明ISS-NR 能夠充分利用泛化的子圖結(jié)構信息在從未見過的實體上進行推理問答，不會受到具體實體的限制，有效避免了實體冷啟動問題。

Table 4 Results of cold start experiments表4 冷啟動實驗結(jié)果

3.4 消融實驗

為了驗證ISS-NR 各個模塊的作用，本文使用消融實驗的方法，在模型中剔除或改變某個結(jié)構測試效果，以驗證該結(jié)構對模型的有效程度。

變種1ISS-NR（w/o Subgraph）。使用常規(guī)的子圖替換原模型的問答子圖模塊。ISS-NR 使用的是問題主實體和答案實體之間的路徑集合作為子圖，同時將其余不構成路徑的無關節(jié)點進行剪枝剔除，減少了無關信息的干擾。為了驗證路徑作為子圖的有效性，將該模塊修改為常規(guī)的子圖抽取模式，即選取主實體和答案實體周圍k跳范圍內(nèi)的節(jié)點集合作為子圖。實驗結(jié)果如表5 所示，ISS-NR（w/o Subgraph）在測試集上的效果明顯弱于ISS-NR，說明多余的嘈雜信息對模型的影響較大，驗證了子圖抽取模式的作用。

變種2ISS-NR（w/o GCN）。使用常規(guī)的子圖替換原模型的問答子圖模塊。在圖嵌入模塊，ISS-NR使用了R-GCN 對各個節(jié)點進行迭代更新，更新后的節(jié)點表示能夠具有鄰居節(jié)點的信息，為之后的推理提供信息基礎。通過將R-GCN 的層數(shù)減少為一層，減弱模型獲取鄰居信息的能力，以驗證該模塊的效果。實驗結(jié)果如表5 所示，ISS-NR（w/o GCN）在測試集上的效果略弱于ISS-NR。

變種3ISS-NR（w/o ComplEx）。在表示向量融合模塊中，ISS-NR 將ComplEx 模型訓練好的向量融合到了相應節(jié)點的表示上。為了驗證融合表示模型的效果，直接去除ComplEx 模塊進行測試。實驗結(jié)果如表5 所示，ISS-NR 的效果要顯著優(yōu)于剔除融合模塊的ISS-NR（w/o ComplEx），突出了融合的有效性。

Table 5 Results of ablation experiments表5 消融實驗結(jié)果

4 總結(jié)

本文提出了一種融合子圖結(jié)構的神經(jīng)推理式知識庫問答方法ISS-NR，實現(xiàn)了在問答推理過程中兼顧實體的語義與結(jié)構信息，以增強問答效果。實驗結(jié)果表明，ISS-NR 在WebQuestionsSP 數(shù)據(jù)集上表現(xiàn)出較好的結(jié)果，同時有效避免了實體冷啟動問題。最后，通過消融實驗，驗證了模型各模塊的有效性。

ISS-NR 運用的結(jié)構信息來源于問答子圖的抽取，但是抽取子圖時需要多次使用最短路徑算法，在實體鏈接稠密的知識庫中耗時較長，影響了模型的訓練和預測性能。下一步，計劃對本文方法以及模型進行改進，優(yōu)化問答子圖的抽取過程，尋求模型的性能提升。同時，本文驗證了模型在未見過的知識庫實體上進行推理問答的能力，但是對于在知識庫中未見過的關系進行訓練則無法發(fā)揮作用，如何在新的關系上進行推理問答也是下一步的研究方向之一。