摘要

在对话式问答（Conversational Question Answering, ConvQA）中，用户通过一系列上下文不完整的语句表达其信息需求。传统的ConvQA方法通常依赖单一信息源（如知识库（KB）、文本语料库或一组表格），因而无法充分利用多源信息带来的答案覆盖范围扩展与冗余优势。本文提出的EXPLAIGNN方法通过融合来自多种信息源（包括知识库、文本语料库、网络表格及信息框）的实体与证据片段，并提供用户可理解的答案解释，有效克服了上述局限。该方法构建了一个异构图结构，其中包含从多源获取的实体与证据片段。随后，利用引入问题级别注意力机制的图神经网络，对这一大规模图进行迭代压缩，逐步提炼出最优答案及其可解释的推理过程。实验结果表明，EXPLAIGNN在性能上优于现有最先进方法；用户研究表明，所生成的答案具有良好的可理解性，能够被终端用户有效理解。