基于分层强化学习的知识图谱约束问答模型

来源：计算机应用杂志2025年第12期北京时间：

作者：许浩翔, 余敦辉, 邓怡辰, 肖奎

单位：1.湖北大学 计算机学院，武汉 430062；2.大数据智能分析与行业应用湖北省重点实验室（湖北大学），武汉 430062；3.武昌首义学院 信息科学与工程学院，武汉 430064

摘要：针对知识图谱问答（KGQA）中忽略约束信息和长路径推理的维数灾难问题，提出一种基于分层强化学习（HRL）的知识图谱约束问答（KGQA-HRL）模型。首先，深度融合HRL理念，拆解知识图谱中的三元组，并设计出上层策略和底层策略，从而化解推理路径的维数灾难隐患；其次，为了提高路径选择的准确性，提出基于注意力机制的动作选择策略和融合约束信息的实体选择策略，从而有效压缩推理的搜索范围；再次，在动作选择与实体选择策略之间嵌入问题更新环节，从而使每跳问题进行二次更新；最后，在实体选择策略中构建约束集并计算约束得分，以考虑问题中的约束信息，从而提高实体选择的准确性。基于4个KGQA基准数据集，对KGQA-HRL模型的性能进行实验的结果显示：KGQA-HRL模型在所有数据集上均达到最优准确率，较之前最佳模型约束路径推理（COPAR）提升了2.9%，且在复杂的3跳查询任务中表现突出（PQ （PathQuestion）数据集上提升了3.6%，MetaQA数据集上提升了2.5%），验证了KGQA-HRL模型优异的推理能力。

关键词：知识图谱问答,分层强化学习,复杂约束问题,注意力机制,维度灾难

基金资助：国家自然科学基金资助项目(62377009)