【论文标题】Integrating Subgraph-aware Relation and Direction Reasoning for Question Answering 【论文链接】https://arxiv.org/abs/2104.00218 【作者团队】Xu Wang, Shuai Zhao, Bo Cheng, Jiale Han, Yingting Li, Hao Yang, Ivan Sekulic, Guoshun Nan 【发表时间】2021.4.1 【推荐理由】论文收录于ICASSP-2021，研究人员提出一种新型的神经模型：基于关系更新、方向指导的答案选择器，它将每个子图中的关系转换为额外的节点，用于学习结构信息；同时，结合方向信息增强推理能力。

知识库中的问答模型能够通过利用实体间的关系信息提供更精确的答案。虽然这些模型很有效，但大多数模型仅仅依靠固定的关系表示来获得不同问题相关的知识库子图的答案。因此，这些子图丰富的结构信息可能会被关系表示向量所忽略。同时，推理的方向信息，已经被证明对图上的答案预测是有效的，但现有的工作中还没有被充分发掘。为了解决上述挑战，研究人员基于关系更新、方向指导的答案选择器。实验结果表明，论文提出的模型在两个广泛使用的数据集上产生了实质性的性能改进。

图：融合方向信息前后的子图实例

内容中包含的图片若涉及版权问题，请及时与我们联系删除