利用AMR驱动的子图检索提升知识库问答性能

《Neural Networks》：Enhancing Knowledge Base Question Answering with AMR-Driven Subgraph Retrieval

　　

摘要

知识库问答系统旨在利用知识图谱中的事实三元组来回答自然语言问题。目前主流的基于图神经网络的方法通过子图检索来降低推理复杂度。然而，现有的检索技术主要依赖问题文本与知识图谱关系之间的浅层相似性匹配，往往无法弥补语言多样性与结构化知识之间的语义差距。这导致检索到的子图质量不稳定且可解释性差，进而影响问答系统的性能。为解决这一根本性问题，我们提出了一种基于抽象意义表示的新的框架。该方法将问题解析为能够保留核心语义的AMR图，从中提取规范的谓词-论元结构，作为高精度过滤器，用于筛选和优化最初检索到的含噪声子图。此外，我们还利用AMR结构为图神经网络的邻接矩阵提供信息，从而生成高度可解释的推理链。在WebQSP和CWQ基准测试上的实验表明，我们的方法不仅显著提升了子图质量和检索性能，还取得了优异的知识库问答效果。

引言

知识图谱以三元组（主体、关系、客体）的形式，以结构化方式存储事实性知识，从而体现实体及其相互关系（Paulheim, 2016）。知识库问答系统则旨在根据自然语言问题，在知识图谱中定位答案实体。这项任务可视为节点分类问题，即根据给定查询，将知识图谱中的实体分类为答案或非答案（Mavromatis and Karypis, 2025）。

虽然大型语言模型在许多自然语言处理任务中表现优异，但它们在复杂推理和专业领域方面存在显著缺陷，常常产生虚假或不准确的输出（Zhang et al., 2025）。相比之下，图神经网络由于具备处理复杂图结构的天然能力，在知识库问答系统中得到了广泛应用（Schlichtkrull et al., 2018）。然而，直接应用图神经网络对包含数十亿个三元组的庞大知识图谱进行推理在计算上不可行，因为其内存和计算需求过高。因此，子图检索成为必要的预处理步骤，用于从知识图谱中提取相关部分以便后续推理。

现有的子图检索方法主要依靠文本嵌入来衡量问题与知识图谱关系之间的相似度，再根据这些相似度得分选择相应的实体和路径。例如，PullNet（Sun et al., 2019）采用基于LSTM的检索器逐步筛选与问题相关的关系，随后再通过基于图神经网络的推理器确定答案的客体实体。类似地，SR（Zhang et al., 2022）将检索器和推理器分开，从排名靠前的k条路径中构建子图。不过，这类基于嵌入的方法的一个关键缺陷是难以充分捕捉问题的复杂语义结构，这往往导致检索到的子图中包含噪声节点和无关关系，进而影响后续推理性能（Jain et al., 2021）。

一个自然语言问题通常包含多个可作为子图检索指导的关系。抽象意义表示能够以结构化方式呈现问题的语义信息，去除语法差异的同时保留核心关系（Banarescu et al., 2013）。如图1所示，为解决这一问题，第一步是确定2014年获得奥斯卡最佳影片奖的电影，第二步是找出该电影的主演，最后确定其配偶的名字作为答案。这一过程对应于AMR图中的谓词，如获奖、担任演员、配偶关系等。这种清晰的图结构提升了子图检索的质量，同时也使得推理过程更具可解释性。

与原始文本输入相比，AMR图能够捕获更精细的语义信息，并以类似于知识图谱的图结构呈现这些信息。基于这些优势，我们提出了一种基于AMR的子图检索方法，用于知识库问答，具体目标包括：（a）将问题转换为AMR图，以获取更丰富的 Semantic信息；（b）基于AMR图中的节点和边提取精细的关系；（c）利用这些提取出的关系指导子图检索，从而得到简洁精准的子图；（d）将AMR中提取的关系整合到邻接矩阵中，提升基于图神经网络的推理器的性能。之后，再通过面向子图的推理模型来确定答案实体，同时确保推理过程具有可解释性。

我们的主要贡献可总结如下：

• •
  一种基于AMR的子图优化新框架。我们提出的框架不同于以往利用AMR生成完整逻辑形式的方法，而是将AMR作为语义桥梁，用于优化和筛选通用检索器生成的含噪声子图，从而直接解决现有知识库问答流程中的语义差距问题。
• •
  基于AMR的规则驱动关系提取方法。我们设计了三组规则模式，从AMR图的谓词-论元结构中提取规范、精细的关系，为将问题语义与知识图谱结构对齐提供了可靠基础。
• •
  考虑AMR特性的图结构优化方法。我们提出了一种方法，将AMR图中隐含的语义关联直接注入子图的邻接矩阵中，为图神经网络推理器创建“语义快捷路径”，有效提升多跳推理的效率和准确性。
• •
  透明且可解释的推理路径。我们的方法通过生成从主题实体到答案实体的清晰推理链，显著提升了模型的可解释性。这条路径与AMR图中的语义路径一致，使得模型的决策过程透明且可验证，而非“黑箱”操作。

章节节选

知识库问答中的子图检索

在现代知识库问答系统中，子图检索是一项至关重要 yet极具挑战性的任务，因为直接对整个知识图谱进行推理在计算上往往不可行。主流方法旨在为后续推理器提取小型且相关的子图。早期的方法如GraftNet（Sun et al., 2018）依赖启发式策略，而之后的神经网络模型，如PullNet（Sun et al., 2019）和SR（Zhang et al., 2022），则引入了可训练的检索器，以更好地捕捉问题语义。然而，这类方法存在一个共同的限制……

方法

图2展示了我们基于AMR的知识库问答系统流程，该系统包含四个模块：i）AMR解析模块，将问题文本转换为AMR图，从而获得结构化的语义信息；ii）AMR关系提取模块，利用AMR图的语义结构提取回答问题所需的关系；iii）子图检索模块，通过比较提取出的关系与知识图谱中的关系，找到对应的子图；iv）

实验

在本节中，我们设计了实验来回答以下关键问题：（1）AMR提取的关系能否提升子图检索的质量？（2）基于AMR的语义提取能在多大程度上改善问答系统的性能？（3）图结构优化对提升推理准确性有何作用？

结论

在本文中，我们针对基于检索的知识库问答系统中存在的严重语义差距问题进行了研究。传统方法依赖文本嵌入的相似度计算，往往会产生含噪声的子图，进而影响推理效果。为解决这一问题，我们提出了一种基于抽象意义表示的新框架，将该表示作为强大的中间语义载体。我们还设计了一种规则驱动的方法，从AMR图中提取规范、精细的关系，这些关系可作为高精度过滤器，用于筛选……

CRediT作者贡献说明

张兴林：写作——审稿与编辑，写作——初稿撰写，方法论，研究实施，数据整理。邓振云：写作——审稿与编辑，写作——初稿撰写，方法论，研究实施，数据整理。邓文涛：写作——审稿与编辑。刘琳：写作——审稿与编辑。李久勇：写作——审稿与编辑。张鸿宇：写作——审稿与编辑。李晓霞：写作——审稿与编辑。程德波：写作——审稿与编辑。冯在文：写作——审稿与

利益冲突声明

作者声明不存在任何可能影响本文研究结果的已知利益冲突或个人关系。

致谢

本研究项目部分得到了中国国家重点研发计划（项目编号2023-YFF1000100）以及湖北省重点研发计划（项目编号2024BBB055、2024BAA008）的支持，同时还得到了中国中部高校基本科研业务费（项目编号2662025XXPY005）的资助。

Xinglin Zhang|Zhenyun Deng|Wentao Deng|Lin Liu|Jiuyong Li|Hong-Yu Zhang|Xiaoxia Li|Debo Cheng|Zaiwen Feng