使用子图嵌入的问答
本文提出一种基于向量特征表示的问题回答方法,使用弱监督资源训练,并结合了优化过的随机梯度下降和微调步骤,实现了在基于弱标注数据下,对知识库回答表现的显著提升。
Apr, 2014
提出一种使用知识图谱扩展预训练文本到文本语言模型的方法,通过从知识图谱中提取子图,使用基于 Transformer 的模型线性化提取的子图并重新对答案候选项进行排序,使得预训练文本到文本语言模型的 Hits@1 评分提升 4-6%。
Oct, 2023
本文提出了一种基于图神经网络对查询进行编码的通用架构,与现有方法相比,该方法可以编码更多种类型的查询。实验结果表明,该模型可以学习到表示实体类型的实体嵌入,并在复杂查询方面表现优异。
Feb, 2020
本文描述了一个架构,利用原始外部知识,基于无监督学习的技术,使得更小的模型可以回答与事实有关的问题,其目的在于能够显式地添加知识,而无需进行大量的训练。
Nov, 2019
提出了一个统一框架来描述和分析已有的知识图谱简单问题回答方法,通过提出一种新的排名方法来改进子图选择,并提出了一个联合评分 CNN 模型,采用新的损失函数来利用主题 - 关系依赖性并实现得分的良序,从而在 SimpleQuestions 数据集上达到了新的最优表现(85.44% 的精度)。
Apr, 2019
提出了一种简单而有效的方法来检索和重新排序与问题回答相关的三元组,并将它们与问题连接以提高语言模型的表现,实验结果显示,其在常识问答和开放式书本问答数据集上均表现优于现有的最佳方法。
May, 2023
本文提出了卷积神经网络来学习问题和回答句子的最佳表现形式,并使用成对匹配的关系信息进行编码,这使得神经网络可以更好地捕捉到问题和答案之间的交互作用,从而有效地提高了准确性。
Apr, 2016
本文介绍了一种基于知识图谱的问答系统,采取了一种新型的深度学习架构和端到端变分学习算法,可以同时处理问题中的噪声和多跳推理,在最新的基准数据集中取得了最优表现。
Sep, 2017
本研究提出一种针对知识图谱(如 DBpedia)自动生成知识问题的方法,通过使用端到端的方法,包括实体选择、三元组查询、答案选择和自然语言问句生成,并使用历史数据和训练分类器来估计问题难度。最后的实验证明了这种方法的可行性。
Oct, 2016