Nov, 2017

众包问答语义表示

PDF
TL;DR本文介绍了问题 - 答案意义表示（QAMRs），并采用众包方案展示了 QAMRs 可以用非常少的训练进行标记，并收集了超过 5,000 个句子和 100,000 个问题的数据集。通过详细的定性分析，证明了众包生成的问题 - 答案对涵盖了现有数据集中绝大多数谓词 - 论元关系（包括 PropBank，NomBank，QA-SRL 和 AMR 等），以及许多先前资源匮乏的关系，包括隐含论元和关系。 QAMR 数据和注释代码公开提供，以便未来研究如何最好地对这些复杂现象进行建模。
发现论文，激发创造
  • 利用抽象意义表示进行开放域问答

    文章介绍了一种将 Abstract Meaning Representation 引入 Pretrained Language Models 中的方法 Graph-as-Token（GST），用于提高 Open-Domain Question Answering 任务的性能。实验结果表明，该方法能显著提升系统的性能，并且在集成 AMRs 方面优于替代的 Graph Neural Network 方法。

    May, 2023

  • 利用抽象意义表示进行知识库问答

    本文提出了一种模块化的知识库问答系统 Neuro-Symbolic Question Answering (NSQA)，它采用 Abstract Meaning Representation (AMR) parse 语义分析、简单有效的图转换方法和多个可重复使用训练模块（语义分析、实体和关系链接和神经符号推理器），避免需要端到端的训练数据，并在两个著名知识库问答数据集上（基于 DBpedia 的 QALD-9 和 LC-QuAD1.0）实现了最先进的性能，并且 AMR 是 KBQA 系统的强大工具。

    Dec, 2020

  • 对话建模的语义表示

    我们使用抽象意义表示（AMR）来协助神经对话建模，将 AMR 图形构建到对话系统中会更显著地提高对话理解和响应生成任务的效果。

    May, 2021

  • 利用 AMR 学习图路径进行常识推理：我知道你在问什么

    本文提出了一种 AMR-ConceptNet-Pruned 图来解释常识推理的过程并预测 CommonsenseQA 任务的正确答案，同时表明基于 ACP 的模型优于基线模型。

    Nov, 2020

  • AMR 摘要生成中文档图构建方法分析

    本文提出一种新方法用于合并 Meaning Representation 图，并评估其效果，同时应用了人工注释数据集用于衡量不同 node 合并策略与内容筛选方法的性能，结果显示该新方法优于之前的工作。

    Nov, 2021

  • 基於可解釋的 AMR 問題分解的多跳問答

    本文提出了一种基于抽象意义表征的问题分解方法，通过将多跳问题分解成简单的子问题并按顺序回答它们，实现了可解释的推理过程。实验结果表明，这种方法在可解释的推理方面具有竞争力，并且由 QDAMR 生成的子问题形式良好，优于现有的基于问题分解的多跳 QA 方法。

    Jun, 2022

  • QADiscourse -- 问答对应中的话语关系：表达，众包和基准

    本文提出了一种将话语关系表示为问答对的新方法，并通过易于理解的问答界面对其进行众包标注，从而创建了 QADiscourse 数据集，并提出了基于此数据集的话语关系预测算法。

    Oct, 2020

  • 用潜在对齐将 AMR 解析作为图形预测

    本文介绍了一个使用变分自动编码框架和离散对齐的连续轻松方法的神经解析器，其将模型概念、关系和对齐作为联合概率模型的潜在变量用于抽象语义表示 (AMR) 的预测，相较于传统方法，该模型表现优异、更为准确和可行。

    May, 2018

  • 用于可解释性多跳科学问题回答的动态语义图构建和推理

    提出一种基于抽象意义表示（AMR）的语义图构建方法及推理模型，能够有效地检索更多有效的知识事实以填补知识空白，并在多次推理过程中提高推理透明度。该模型在两个科学多次问答数据集中得到了最新成果，包括那些使用附加知识图谱的方法，在保持 OpenBookQA 高可解释性的同时，实现了 ARC-Challenge 新的最佳结果。

    May, 2021

  • 从 AMR 预测 UCCA 的可行性

    本文介绍使用基于语料库的方法从抽象意义表示（AMR）转换为通用概念认知注释（UCCA）的图重写系统，并对其进行评估和讨论。

    Jul, 2022