A systematic survey of relation extraction for knowledge graph question answering

A systematic survey of relation extraction for knowledge graph question answering

URN urn:nbn:de:gbv:18-228-7-2635
URL
Dokumentart: Masterarbeit, Diplomarbeit
Institut: Fachbereich Informatik
Sprache: Englisch
Erstellungsjahr: 2022
Publikationsdatum:
Freie Schlagwörter (Englisch): Relation Extraction, Knowledge Graph Question Answering, Survey
DDC-Sachgruppe: Informatik
BK - Klassifikation: 54.75

Kurzfassung auf Englisch:

Knowledge graph question answering (KGQA) is a research field in which a given input question is answered with the help of a knowledge graph (KG) such as Freebase or DBpedia. In order to answer an input question, several steps are required. In general, those are the identification of the topic entity, relation extraction and inferring the answer. The goal of relation extraction is to extract a relational triplet in the form of subject, relation, object from the input query. RE in the context of the KGQA setting is the focus of this literature survey. While other surveys provide an approach-centric overview of the algorithms, this survey provides a problem-centric overview. Instead of categorising the selected papers by algorithm type, they are instead categorised by the problem they are addressing. Utilising a problem-centric approach provides a better overview of the research problems in the field of RE for KGQA and facilitates the entry into the field by already defining a problem to be solved. In the end, 9 research problems were determined by analysing 31 papers and 17 popular benchmarks were identified. Lastly, this survey is also accompanied by a GitHub repository, which summarises the findings of this survey in a more concise way and also provides links to the papers as well as the datasets. It can be found here: https://github.com/ArthursGit/RE-for-KGQA.

Kurzfassung auf Deutsch:

Knowledge Graph Question Answering (KGQA) ist ein Forschungsgebiet, in dem eine gegebene Eingangsfrage mit Hilfe eines Wissensgraphen (KG) wie Freebase oder DBpedia beantwortet wird. Um eine Eingangsfrage zu beantworten, sind mehrere Schritte erforderlich. In der Regel sind dies die Identifizierung der thematischen Entität, die Extraktion von Beziehungen und die Ableitung der Antwort. Das Ziel der Beziehungsextraktion (RE) ist es, relationale Tripletts in Form von Subjekt, Relation, Objekt aus dem Input zu extrahieren. RE in KGQA ist der Schwerpunkt dieses Surveys. Während andere Studien einen Überblick über die Algorithmen geben, bietet dieser Überblick einen problemzentrierten Überblick. Anstatt die ausgewählten Arbeiten nach Algorithmustyp zu klassifizieren, werden sie nach dem Problem kategorisiert, das sie behandeln. Die Verwendung eines problemzentrierten Ansatzes bietet einen besseren Überblick über die Forschungsprobleme und erleichtert den Einstieg in das Feld, indem bereits ein zu lösendes Problem definiert wird. Am Ende wurden durch die Analyse von 31 Arbeiten 9 Forschungsprobleme ermittelt und 17 populäre Benchmarks identifiziert. Schließlich wird diese Umfrage auch von einem ein GitHub-Repository begleitet, das die Ergebnisse diese Arbeit in übersichtlicher Form zusammenfasst und auch Links zu den Papieren und Datensätzen enthält. Es ist hier zu finden: https://github.com/ArthursGit/RE-for-KGQA.

Hinweis zum Urherberrecht

Für Dokumente, die in elektronischer Form über Datenenetze angeboten werden, gilt uneingeschränkt das Urheberrechtsgesetz (UrhG). Insbesondere gilt:

Einzelne Vervielfältigungen, z.B. Kopien und Ausdrucke, dürfen nur zum privaten und sonstigen eigenen Gebrauch angefertigt werden (Paragraph 53 Urheberrecht). Die Herstellung und Verbreitung von weiteren Reproduktionen ist nur mit ausdrücklicher Genehmigung des Urhebers gestattet.

Der Benutzer ist für die Einhaltung der Rechtsvorschriften selbst verantwortlich und kann bei Mißbrauch haftbar gemacht werden.