融入三维语义特征的常识推理问答方法

现有使用预训练语言模型和知识图谱的常识问答方法主要集中于构建知识图谱子图及跨模态信息结合的研究，忽略了知识图谱自身丰富的语义特征，且缺少对不同问答任务的知识图谱子图节点相关性的动态调整，导致预测准确率低。为解决以上问题，提出一种融入三维语义特征的常识推理问答方法。首先提出知识图谱节点的关系层级、实体层级、三元组层级三维语义特征量化指标；其次，通过注意力机制动态计算关系层级、实体层级、三元组层级三种维度的语义特征对不同实体节点间的重要性；最后，通过图神经网络进行多层聚合迭代嵌入三维语义特征，获得更多的外推知识表示，更新知识图谱子图节点表示，提升答案预测精度。与QA-GNN常识问答推理方法相比，所提方法在CommonsenseQA数据集上的验证集和测试集的准确率分别提高了1.70个百分点和0.74个百分点，在OpenBookQA数据集上使用AristoRoBERTa数据处理方法的准确率提高了1.13个百分点。实验结果表明，所提出的融入三维语义特征的常识推理问答方法能够有效提高常识问答任务准确率。