摘要

查询图构建的目标是在知识图谱（KG）上构造正确的可执行SPARQL查询，以回答自然语言问题。尽管最近的方法在使用基于神经网络的查询图排序方面取得了良好的结果，但在处理更复杂的问题时仍面临三个新的挑战：1) 复杂的SPARQL语法，2) 巨大的搜索空间，以及3) 局部模糊的查询图。本文提出了一种新的解决方案。作为准备工作，我们通过将每个SPARQL子句视为由顶点和边组成的子图来扩展查询图，并定义了一种统一的图文法称为AQG（Abstract Query Graph），用于描述查询图的结构。基于这些概念，我们提出了一种新颖的端到端模型，该模型通过分层自回归解码生成查询图。高层次解码生成一个AQG作为约束条件，以剪枝搜索空间并减少局部模糊的查询图。低层次解码则通过从预准备的候选实例中选择合适的实例来填充AQG中的槽位，从而完成查询图的构建。实验结果表明，我们的方法在复杂的知识图谱问答（KGQA）基准测试中显著提升了现有最佳性能。结合预训练模型后，我们的方法在所使用的三个数据集上的表现进一步提升，达到了所有三个数据集的最佳水平。