论文笔记整理：谭亦鸣，东南大学博士生，研究方向为跨语言知识图谱问答。
来源：COLING 2018
链接：https://www.aclweb.org/anthology/C18-1171
问题背景与动机
多关系问答（multi-relationquestion answering）是知识问答的一个重要任务，“多关系”指的是问题中包含多个关系和实体信息，为了回答这类问题，需要对知识库中多个事实三元组进行分析和推理。
现有的方法主要可以分为两类：基于语义分析；基于embedding；
基于语义分析的方法主要依赖于人工特征与标注，但是泛化能力较弱。
基于embedding的方法一般利用弱监督机制训练得到end-to-end问答模型，但是现有的方法主要依赖于相似度计算而在推理方面有所欠缺。
在这篇文章中，作者提出‘可解释推理网络（Interpretable Reason Network，IRN）模型’用于解决多关系问答。通过多跳推理的形式完成多关系问题的问答过程。
贡献
1. 提出面向多关系问答的IRN模型，并在性能上取得了state-of-art
2. 相对于现有推理网络，这篇文章提出的方法更具可解释性，多跳推理的过程可以清晰的反映答案生成的过程
模型
IRN的整体框架如图所示，其中包含三个子模型：Input Module; ReasoningModule; Answer Module，分别用于问句的embedding，三元组推理以及答案的生成。
以问题‘Howold is Obama’s daughter?’ 为例，问题的解析、推理和回答过程包含三跳(3 hops)，每个hop包含的过程相同，描述如下：
1. Input Module：输入问题(仅初始)，得到问题的embedding形式q
2. Reasoning Module：输入q，以及对问题NER得到的实体信息e1，找到对应的关系r1
3. Input Module：将已识别关系信息r1从q中去除，得到更新的q’，用于下一步推理
4. Answer Module：根据已得到的e1和r1从知识库中找到对应的答案信息
5. Reasoning Module：将已分析实体信息e1与关系信息r1融合，并用于下一步推理
其中，获取关系r的计算过程如以下公式所示：
实验
实验数据
本文实验所使用的数据基于WorldCup2014，数据集的统计信息由表1所示。
实验结果
对比模型说明：
1. Embed (Bordes et al., 2014b)：利用embedding空间将问题和答案进行匹配的方法
2. Subgraph (Bordes et al., 2014a)：在Embed基础上利用实体子图加强答案实体的表达
3. Seq2Seq (Sutskever et al., 2014)：使用基于LSTM的encoder-decoder实现的语义解析模型
4. MemN2N (Sukhbaatar et al., 2015)：使用记忆网络构建的end2end模型，其中记忆单元包含了相关的三元组信息
5. KVMemN2N (Miller et al., 2016)：在MemN2N的基础上，将记忆单元划分为键-值两个部分，键为头实体及关系，值为尾实体
6. IRN-weak (This paper)
可解释性分析
表3反映了IRN在多跳过程中识别关系和实体的精准度，r1/e1 -> rn/en -> a
OpenKG
开放知识图谱（简称 OpenKG）旨在促进中文知识图谱数据的开放与互联，促进知识图谱和语义技术的普及和广泛应用。
点击阅读原文，进入 OpenKG 博客。
