摘要

常识性问答（QA）方法结合了预训练语言模型（LM）的强大能力与知识图谱（KG）所提供的推理优势。典型的实现方式是从知识图谱中提取与问答对相关联的节点，构建一个工作图（Working Graph, WG），随后利用图神经网络（GNN）进行推理。然而，该方法面临两大挑战：（i）难以在工作图中完整捕捉问答对中的全部信息；（ii）工作图中可能包含来自知识图谱的无关节点。为应对上述问题，我们提出了GrapeQA，通过在工作图上引入两项简单但有效的改进：（i）显著实体增强图结构（Prominent Entities for Graph Augmentation）：识别问答对中的关键文本片段，并将其对应的语言模型潜在表示注入工作图，以增强语义信息；（ii）上下文感知节点剪枝（Context-Aware Node Pruning）：移除与问答对关联性较弱的节点，从而提升图结构的相关性与效率。我们在OpenBookQA、CommonsenseQA以及MedQA-USMLE三个基准数据集上进行了评估，结果表明，GrapeQA在性能上持续优于其前代方法（尤其是LM + KG结合的QA-GNN），并在OpenBookQA上取得了显著提升。