图表 4:为了研究每个KAReader组件的效果,表中列出低于30%完整性知识库设定条件下的分析。此外,发现论文中提出的条件门控机制非常重要。当使用标准的gate函数替换它时(见行w/o条件知识门),性能甚至比没有知识增强的阅读器还要低,这表明论文提出的新的gate函数对于成功地进行知识感知文本阅读至关重要。 结果分析该论文提出了一种新的QA模型,该模型通过结合信息不完整的知识库和文本文档来回答开放领域的问题,与以前的方法相比,该模型在知识库信息不完整的情况下,稳定提升了对WebQSP数据集的测试效果。结果表明:(1) 利用图注意力机制技术,可以在对知识库子图遍历一次的条件下,高效、准确地为知识库中的每个实体聚合问题相关的知识;(2)论文中设计的门控制机制在处理文本文档时可以成功地糅合已编码的实体知识。在未来的工作中,作者提出将把这个想法扩展到其他具有多模态证据信息的QA任务中。参考文献[1] Sun H, Dhingra B, Zaheer M, et al. Open domain question answering using early fusion of knowledge bases and text[J]. arXiv preprint arXiv:1809.00782, 2018.[2] Taher H Haveliwala. 2002. Topic-sensitive pagerank.In Proceedings of the 11th international conference on World Wide Web, pages 517–526. ACM.[3] Danqi Chen, Adam Fisch, Jason Weston, and Antoine Bordes. 2017. Reading wikipedia to answer open-domain questions. In Proceedings of the 55th Annual Meeting of the Association for Computational Linguistics, ACL 2017, Vancouver, Canada, July 30 - August 4, Volume 1: Long Papers, pages 1870–1879.