Jan, 2018

复杂的连续问答：学习在知识图谱上对话问答对

HTML
PDF
TL;DR本文提出了一个任务，即 Complex Sequential QA，它结合了回答简单事实性问题和通过一系列有逻辑的问答匹配进行会话来进行复杂推理，本文也介绍了关于这个任务所需数据集，以及目前现有的模型在处理实际场景中还存在的不足。
发现论文，激发创造
  • 上下文问答

    本研究提出了一种基于对话的问答数据集QuAC，其包含14K个信息寻求问答对话（共100K个问题），并且QuAC针对其他机器理解数据集中未发现的挑战进行了改进。我们在详细的定性评估中表明，QuAC的问题通常更具开放性、难以回答或仅在对话上下文中有意义，还报告了许多参考模型的结果，包括最近被扩展为对话上下文模型的最先进的阅读理解体系结构。但是我们最好的模型仍然比人类表现差了20个F1，这表明还有很大的未来工作空间。

    Aug, 2018

  • 在知识图谱上使用明智的上下文扩展进行对话式问答

    CONVEX是一种无监督方法，可以通过维护对话上下文使用到目前为止看到的实体和谓词并自动推断缺失或模棱两可的问题部分，回答知识图上的不完整问题。

    Oct, 2019

  • 基于筛选和开放网络资源的问答系统

    本文的主要研究领域是关于自动问答，重点介绍了知识图谱、非结构化文本和混合语料库等来源的家族算法，并讨论了每个子主题中涉及的复杂性问题和系统中介绍的可解释性和互动性程度，最后总结了QA领域的最具前景的新兴趋势。

    Apr, 2020

  • 基于Transformer与Graph Attention Networks的知识图谱对话问答

    本文提出一种基于Transformer和Graph Attention Networks的语义解析多任务模型LASAGNE，并针对复杂对话式问答任务进行了实验，取得了较高的准确率。

    Apr, 2021

  • 会话式问答：综述

    本文对2016至2021年所发表关于问答系统的各项研究进行了回顾与总结，发现多轮问答系统已取代了单轮问答系统的先前主导地位，这表明了其在提高人工智能对话系统方面的重要性，同时也描绘了开展更多进一步和有利的研究的未来研究方向。

    Jun, 2021

  • 面向知识图谱的对话问答的结构化上下文和高覆盖率语法

    使用神经语义分析方法解决大型知识图库上的弱监督会话问答问题，引入了一种新的逻辑形式语法并使用基于transformer的模型将JSON输入转换为嵌入列表，最后在两个基于Wikidata的数据集上验证了该方法。

    Sep, 2021

  • ChatGPT与传统问答系统在知识图谱中的比较：现状与未来发展方向

    本文研究如何将Conversational AI和Question-Answering systems应用于knowledge graphs中，以提供自然语言的交互接口。同时，对两种技术进行对比和评估，并提出将QASs升级为KG chatbots的研究机会。

    Feb, 2023

  • 通过工具之间的对话和高效微调大型语言模型进行多模式多跳问答

    我们采用一种工具交互的分治策略，使大型语言模型能够回答复杂的多模式多跳问题，并以预定义的工具集中的适当工具回答单模式单跳子问题。通过生成工具交互分治数据集并对相应的语言模型进行高效微调，我们增加了大型语言模型的推理能力。实验分析表明，相比现有的最先进解决方案，我们的策略显著改进了两个最近引入的复杂问答数据集上的效果，表明我们策略的功效和普适性。

    Sep, 2023

  • 评估大型语言模型用于知识图谱上的语义解析对话问答

    评估了没有在此任务上进行明确预训练的大型语言模型的性能，并通过一系列实验在广泛的基准数据集上比较了具有不同提示技术和不同大小的模型，并确定了生成输出中的常见问题类型。结果表明，大型语言模型能够从对话中生成图查询，并通过少样本提示和微调技术实现显著提升，特别是对于展现较低零样本性能的较小模型。

    Jan, 2024

  • 将大型语言模型与基于图的推理相结合，用于对话式问答

    我们提出了一种在对话中理解问题并从不同来源（如文本、知识图谱、表格和信息框）中进行推理的说话式问答任务，我们的方法利用了图结构化表示，通过最小化交叉熵直接将图嵌入到大型语言模型中，同时利用了大型语言模型的推理和文本生成能力。我们的模型通过维护一个存储模块来追踪和更新过去的证据，从而影响图的结构，并在ConvMix基准测试中取得了实验结果，证明了图嵌入增强了大型语言模型的推理能力，而存储模块则提供了对噪声和检索错误的鲁棒性。

    Jun, 2024