摘要

在本工作中，我们提出了一种名为GETT-QA的端到端知识图谱问答（KGQA）系统。GETT-QA基于T5这一广泛使用的文本到文本预训练语言模型，该模型以自然语言形式的提问作为输入，并生成目标SPARQL查询的简化形式。在这一简化形式中，模型不直接输出实体和关系的ID，而是生成对应的实体和关系标签。这些标签将在后续步骤中被映射到知识图谱中的实体和关系ID。为进一步提升性能，我们引导模型为每个实体输出其知识图谱嵌入（KG embedding）的截断版本。该截断的KG嵌入有助于更精细的消歧搜索。我们发现，T5模型在无需修改损失函数的前提下，能够有效学习到这种截断的KG嵌入，从而显著提升KGQA任务的性能。实验结果表明，GETT-QA在Wikidata上的LC-QuAD 2.0和SimpleQuestions-Wikidata两个基准数据集上均取得了优异的端到端KGQA性能。