摘要

知识图谱（KG）问题生成（QG）旨在从知识图谱和目标答案中生成自然语言问题。以往的研究大多集中在从单个KG三元组生成问题的简单设置上。在本研究中，我们关注一个更为现实的场景，即从KG子图和目标答案中生成问题。此外，大多数先前的工作都是基于RNN或Transformer模型对线性化的KG子图进行编码，这完全忽略了KG子图的显式结构信息。为了解决这一问题，我们提出应用双向Graph2Seq模型来编码KG子图。进一步地，我们通过节点级别的复制机制增强了我们的RNN解码器，允许直接从KG子图中复制节点属性到输出的问题中。自动评估和人工评估的结果均表明，我们的模型在两个QG基准测试中取得了新的最先进分数，显著优于现有的方法。实验结果还显示，作为数据增强手段，我们的QG模型可以持续提升问答（QA）任务的效果。