《表3 词汇表示学习对知识库问答模型KGWE-QA的影响》

  提示：宽带有限、当前游客访问压缩模式

本系列图表出处文件名：随高清版一同展现

《基于表示学习的知识库问答模型研究》

1. 获取 高清版本忘记账户？点击这里登录

1. 下载图表忘记账户？点击这里登录

为比较词汇表示学习方法对KGWE-QA效果的影响，我们将知识图谱表示学习方法固定为Trans E，不使用注意力机制和负采样。使用Flair[55]框架将Glove、fast Text、ELMo、BERT、ALBERT和Ro BERTa等模型作为问题表示模型的输入。实验结果，见表3，当使用BERT作为网络的输入时，模型取得最佳的效果（Accuracy为75.86%），验证了上下文动态调整词向量的方法在知识库问答中的有效性；当使用ELMo作为网络的输入时，模型效果位居第二（Accuracy为75.55%）；使用Glo Ve作为网络的输入时，模型效果位居第三（Accuracy为75.12%），其效果好于预期的原因可能在于Glo Ve使用了契合问题的语料库进行训练，而其他模型则直接使用维基语料库进行训练；使用fast Text作为网络的输入时，模型Accuracy为74.34%。总体而言，各词汇表示学习方法对知识库问答模型KGWE-QA的效果影响波动较小，表明KGWE-QA对词汇表示学习方法的鲁棒性较好。