ACLDec, 2017

基于知识图谱的简单问题回答：基础模型与神经网络模型的效果对比

PDF
TL;DR通过将问题回答问题的问题分解为实体检测，实体链接，关系预测和证据组合，我们使用一些启发式算法，探索了一些简单而强大的基线模型，其中基本的 LSTM 和 GRU 加上一些启发式算法得到的准确率接近最新技术水平。这些结果表明，文献中提出的复杂深度学习技术带来的收益相当有限，并且一些先前的模型表现出了不必要的复杂性。
question answeringknowledge graphsentity detectionentity linkingrelation prediction
发现论文，激发创造
  • 不必关注：简单的循环神经网络可行！（用于回答 “简单” 问题）

    本文旨在提出一种基于循环神经网络的方法解决 factoid question answering 中的两个问题：检测问题中的实体和将问题分类为知识库中的关系类型，同时在 SimpleQuestions 数据集上取得了显著改进的结果。

    Jun, 2016

  • 基于神经网络的知识图谱问答方法介绍

    本文概述了基于神经网络的问题回答系统在知识图谱上的最近进展，提供了一个适合新手入门的切入点，并讨论了该领域的新趋势。

    Jul, 2019

  • 基于注意力卷积神经网络的简单问答

    该研究针对 Freebase 中的单关系事实问题回答，提出了一种两步骤流水线方法解决问题：实体链接和事实选择，结果表明该方法在 SimpleQA 任务上超过了现有技术水平。

    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

  • 预训练变压器在知识图谱上进行简单问答

    本研究通过对知识图谱建立的基于神经网络（包括 BERT 和 BiLSTM）的简单问题回答模型进行评估，探究在数据稀疏的情况下 BERT 模型的表现。

    Jan, 2020

  • 大型语言模型与知识图谱相遇：回答事实性问题

    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

  • 尽可能简单地构建神经问答

    本文提出了一个简单的构建神经 QA 基线系统的启发式方法，并发现了两种必要的构建高性能神经 QA 系统的因素：第一，处理上下文时需要注意问题单词；第二，需要超越简单的词袋建模，例如循环神经网络。我们的结果表明，满足这两个要求的 FastQA 系统可以与现有模型实现非常有竞争力的性能。我们认为这一令人惊讶的发现将之前系统的结果和最近 QA 数据集的复杂性放在了一个更加客观的角度。

    Mar, 2017

  • 基于门控图神经网络的知识库问答语义建模

    本研究中，我们提出使用门控图神经网络来编码语义解析的图形结构，以解决学习复杂语义解析向量表示的问题。该方法在两个数据集上均优于不显式建模结构的基线模型，并通过误差分析成功处理复杂语义解析。

    Aug, 2018

  • 知识图谱问答的变分推断

    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

  • 使用小型模型进行非监督自然问答

    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