emnlp论文阅读笔记 2021-04-12（未允禁转）

Language Generation with Multi-Hop Reasoning on Commonsense Knowledge Graph

1.研究背景

• 预训练语言模型的知识低效且不系统。尽管语言模型通过在大量语料上预训练隐式地学习到了一定的知识，然而这种获取知识的方式没有显式利用知识库和知识图谱，较为低效

• 融合外部知识增强模型推理能力的研究仅仅依靠独立的知识三元组。文章认为这样忽略了知识图谱中知识之间的丰富相关性，这些相关性可能为复杂的推理提供多个合理的证据

2.文章目的

基于常识知识图谱的推理，完成语言生成任务。关键词：知识图谱推理

3.文章贡献

提出基于常识知识图谱的多跳推理文本生成模型

GRF模型架构图

1. use GCN to encode the static graph context to obtain graph-aware representations for the concepts and the relations (GCN基础见4.1、4.2)。即进行知识图谱的编码表示

节点特征更新：

GCN节点特征更新

其中，N(v) denote v's neighborhood which consist of pairs of node u and the connected relation r
(2)式提取了和节点v相接的所有周围边与节点的特征，(3)式利用(2)式得到的周围特征完成v节点特征的更新

结构特征更新：

GCN结构特征更新

比较简单，直接利用线性变换进行更新

注意，文章认为从一个庞大的知识图谱中进行推理太复杂，所以它从输入的语料抽取source concepts得到一个子知识图谱然后再推理。对应原文：The sub-graph consists of inter-connected H-hop paths starting from the source concepts Cx extracted from the input text.

2. use GPT-2 to model the sequence。GPT-2使用「transformer 解码器模块」构建，一次输出一个token，一般用于实现文本生成

3. devise a dynamic reasoning module。 this module utilizes both structural patterns of the knowledge graph(来自1) and contextual information (来自2) to propagate evidence along relational paths，即利用知识图谱的信息 + 文本的上下文信息进行推理。推理结果通过节点分数score来确定

   首先，初始化知识图谱G各个节点的分值——Initially, nodes correspond to the concepts in Cx are given a score of 1 while other unvisited nodes are assigned with 0.

   然后，通过 multi-hop reasoning on the relational paths on G 更新节点分值。对于知识图谱G，利用已经访问过的节点来更新未访问的邻接节点的得分，多跳直到访问完G中所有节点，实现对所有节点的得分更新。对应原文：Specifically, the module broadcasts information on G，by updating the score of outer nodes with their visited neighbours，for multiple hops until all the nodes on G are visited.

ns(v)表示节点v的score，则

更新score公式

最后，对所有节点的score做softmax归一化，得到concepts distribution

4. final generation distribution with gate control。【知识图谱的concepts distribution】和【直接decode hidden state得到的仅基于输入语料的standard vocabulary distribution】的加权分布作为最终的输出分布，确定next token

4.相关知识基础

4.1 Graph

设图G=(V, E)，则图数据的特征分为

• 1） 节点特征：节点自身的信息——点特征，即V本身的特征

• 2） 结构特征：节点与节点之间的关联特征——边特征，即E本身的特征

4.2 GCN(Graph Convolutional Network)

介绍见https://zhuanlan.zhihu.com/p/37091549

5.实验

5.1三个实验

• Story Ending Generation (SEG) ——预测故事结局
• Abductive NLG (αNLG) ——预测因果关联
• Explanation Generation (EG) ——解释反事实

5.2 Extracting Sub-Graphs as Knowledge Grounding

从input中抽取概念形成子知识图谱，主要步骤如下

• 选择knowledge base。use 【ConceptNet 】(Speer and Havasi, 2012) as the commonsense knowledge base.
• 基于字符串匹配的形式提取input sequence中的concept。perform fuzzy matching with the lemmatized form of the surface texts using Spacy3 and filter out stop words，to recognize concepts from the input text sequence base on 【ConceptNet 】
• 建立子知识图谱（重要）。从当前子图中的节点出发（由来自input sequence的concepts初始化），基于三元组关系搜索每个节点的直接邻居作为潜在节点，不断纳入incoming degree达到要求的节点来扩大子图。直观上看，这样的建图算法保留了概念间最常用的知识联系