MKML：用于零样本常识问答的多知识元学习算法

来源：计算机工程与应用杂志2025年第22期北京时间：

作者：杨浩杰, 鲁强

单位：中国石油大学（北京） 石油数据挖掘北京重点实验室，北京 102249

摘要：零样本常识问答要求模型能回答未见过的问题。目前多数研究者都将知识图谱作为常识知识进行注入，但是当知识图谱与目标数据集在领域上几乎没有重叠时，不管是增加知识图谱种类，还是增加图谱内的三元组数量，都难以有效提升模型在目标数据集上的问答能力。为解决这些不足，提出一种用于零样本常识问答的多知识元学习算法（multi-knowledge meta-learning，MKML）。该方法通过训练不同的知识适配器（KG-Adapter）以分别将多个知识图谱注入预训练模型，并通过构建元混合专家模块（Meta-MoE）融合这些适配器中的知识。为了增强模型根据自身知识回答未知目标领域问题的能力，MKML通过构建多源元学习方法更新Meta-MoE参数，以帮助模型获取共享的知识结构分布信息，并使其拥有根据问题提示识别未知领域知识分布的能力，从而快速适应目标数据集。在多个常识问答数据集上的实验结果表明，与现有的8个基线方法相比，MKML在零样本常识问答方面拥有更高的准确率。

关键词：零样本常识问答,知识图谱,元学习