Neues Verfahren verbessert Abfragen in Wissensgraphen mit weichen Constraints

Wissensgraphen, die wichtige Informationen über die Welt strukturieren, sind oft unvollständig. Fehlende Kanten verhindern, dass klassische Abfragen direkt die gewünschten Entitäten finden. Um dieses Problem zu lösen, haben Forscher ein neues Verfahren entwickelt, das nicht nur die wahrscheinlichsten Antworten findet, sondern diese auch an weiche, kontextabhängige Vorgaben anpasst.

Traditionelle Ansätze zur Abfragebeantwortung konzentrieren sich auf klare, logische Formulierungen. In der Praxis hingegen sind viele Fragen von vagen Präferenzen geprägt – etwa „Welche Filme sind ähnlich zu einem bestimmten Genre?“ oder „Welche Personen haben ähnliche Interessen wie ein bestimmter Nutzer?“. Das neue Konzept führt das Problem der Abfragebeantwortung mit weichen Constraints ein und bietet dafür eine Lösung.

Das Herzstück ist der Neural Query Reranker (NQR). Dieser Reranker bewertet die ursprünglichen Antworten neu, indem er weiche Einschränkungen berücksichtigt, ohne die Grundantworten zu zerstören. Durch ein interaktives Verfahren werden die Ergebnisse schrittweise verfeinert: Der Nutzer liefert Beispiele für bevorzugte und nicht bevorzugte Entitäten, und der NQR passt die Scores entsprechend an.

Um die Wirksamkeit zu prüfen, wurden bestehende QA-Benchmarks erweitert und neue Datensätze mit weichen Constraints erstellt. Die Experimente zeigen, dass der NQR die gewünschten Einschränkungen zuverlässig erfasst und gleichzeitig die Gesamtleistung bei der Beantwortung von Abfragen beibehält. Damit eröffnet die Methode neue Möglichkeiten für die praktische Nutzung von Wissensgraphen in Bereichen, in denen Präferenzen und Kontext eine zentrale Rolle spielen.