Jun, 2016

用于直接阅读文档的键值记忆网络

PDF
TL;DR该论文介绍了一种新方法，利用 Key-Value Memory Networks 技术，使得从文本中读取信息并回答问题成为可能，并在电影领域的 QA 数据集 WikiMovies 上进行了实验和检测，结果表明该方法对比使用 KB 或信息提取或 Wikipedia 直接处理的方法在表现上更优，表现出 state-of-the-art 的效果。
question answeringknowledge basesmemory networksinformation extractionwikiqa
发现论文，激发创造
  • 基于双向注意力记忆网络的知识库问答

    本文提出了一种新型的双向注意力记忆网络（BAMnet），通过直接建模问题和知识库之间的交互作用来回答自然语言问题，并使用注意机制使解释性比其他基准线更好，在 WebQuestions 基准测试中，我们的方法明显优于现有的基于信息检索的方法，并且在（手工制作的）语义解析方法基础上依然具有竞争力。

    Mar, 2019

  • 通过检索和理解从非结构化文本中进行问答

    本文提出了基于 RNN 和神经模型的信息检索和理解两个步骤的开放域问答系统来解决信息检索的问题，并在 Wiki Movies 数据集上达到了最先进的表现，通过减少 40% 的错误率来证明了每个组件的重要性。

    Mar, 2017

  • 使用通用模式和记忆网络进行知识库和文本问答

    本研究扩展了通用模式至自然语言问答领域，通过 Memory Networks 将文本和知识库中的大量事实相结合，实现了端到端方式的训练和对 SPADES 数据集的填空问答，并获得了比单独使用知识库或文本更好的效果和超越当前最新技术 8.5 个 F1 分数点的成绩。

    Apr, 2017

  • 学习视觉知识记忆网络用于视觉问答

    本文提出了一种基于 VKMN 的视觉知识存储网络，通过 End-to-End 的学习框架将结构化人类知识和深度视觉特征融入到记忆网络中来对抗视觉问答中缺乏对结构化知识的利用的问题，并在 VQA 1.0 和 VQA 2.0 基准测试中表现出显著的性能优势，特别是在涉及知识推理的问题方面。

    Jun, 2018

  • 利用 QA-Memory 增强预训练语言模型以进行开放域问答

    本文提出了一种以问答对为基础的编码 - 解码模型，通过该模型的预训练策略，能够在单跳及多跳问题上达到强大性能，并进一步提高了对模型的解释和控制能力，缩小了与段落检索系统之间的性能差距。

    Apr, 2022

  • 使用神经注意力结合全局知识信息对知识库进行问答

    本研究旨在提高基于知识库的问答系统的效果，通过使用神经网络中的注意力机制动态地表示问题，并结合全局知识来提高答案的表征，解决了词表外（OOV）问题，实验证明该方法在 WEBQUESTIONS 任务上有效。

    Jun, 2016

  • 利用知识库和文本的早期融合进行开放领域问答

    该论文提出了一种新模型 Graft-Net，应用于 Open Domain Question Answering 问题，该模型结合了文本和知识库并利用子图表示法以提高效率和准确度

    Sep, 2018

  • 大规模混合知识图谱上的问答系统

    BigText-QA 旨在开发一个综合 QA 系统，它能够回答基于一个知识图谱（KG）的更冗余形式的问题，该图谱将结构化和非结构化（即 “混合”）知识组织在统一的图形表示中，既有一个命名实体的规范集合，又有提供高度多样化的关系释义和丰富上下文信息的文本子句的开放集合。

    Dec, 2022

  • 利用动态记忆网络结合外部知识回答开放式视觉问题

    本文提出了一种基于动态记忆网络和外部知识库的 VQA 算法，通过对外部知识的检索和动态记忆网络对知识和图像的关注与推理，有效地回答包括开放领域问题在内的更复杂问题，并在视觉问答任务中取得了最好的表现。

    Dec, 2017

  • 走向语义网上的问答系统

    本文提出了一种基于 SPARQL 查询的多语言语义 Web 知识库问答（QA）方法，能够查询多个知识库，可轻松移植到其他知识库和语言。通过对五个不同的知识库和五种语言的评估，证明了该方法的影响。

    Mar, 2018