Improved Neural Relation Detection for Knowledge Base Question Answering
2017 ACL SQ78.7 WebQSP63.9
KBQA Relation Prediction VS general relation dectection
1）一般的关系检测任务，目标分类通常限制在不超过100，二KBQA大于6000
2）KBQA关系检测是一种zero-shot learing task,
3）像WebQuestions这种KBQA任务，我们预测的不仅仅是一个单一的关系而是一个关系序列
方案
1）解决unseen relations问题，我们把关系名字分解成单词序列
2）注意到原始的关系名字有时候能够帮助匹配长问题内容，我们提出建立relation-level和word-level的关系表示
3）建立BiLSTMs去学习不同级别的问题表示
4）对于序列匹配，提出了一个残差学习的方法
entity linking sometimes becomes a bottleneck in KBQA systems
本文提出了一个HR-BiLSTM模型，用来比较Question与Relation的相似度
1）通过实体识别，获取候选Entity
2）Entity Re-Ranking
通过HR-BiLSTM查找与问题最相关的L个关系
候选实体e本身相关联的关系
重新评估Entity选取前个
3）Relation Detection
对于候选实体e的相关的每个关系r，通过HR-BiLSTM，选取评分最高的
4）Query Generate
5）Constraint Detection
Sub-graph generation
Entity-linking on sub-graph nodes