本文提出了一种通过层级循环神经网络和残差学习的知识库关系检测方法，并结合实体链接技术实现了简单问题和复杂问题的全新的知识库问答系统。实验结果表明，该方法检测性能优异且能够帮助问题回答系统取得最佳准确度。

Apr, 2017

本文提出了一种新的 RE-KBQA 框架，利用知识库中的关系来增强实体表示并引入额外的监督方法以提高知识库问答的效果，通过实验证明此框架的优越性，从而提高 F1 分数。

May, 2023

本文提出了一种基于注意力机制的单词级交互模型，旨在缓解序列池化操作对序列信息的损失问题，从而更准确地检测知识库问答中问题与候选关系之间的关系，实验结果在两个数据集上表现出优秀的性能。

Jan, 2018

本文提出了一种名为 representation adapter 的简单映射方法，以学习先前学习的关系嵌入式的表示映射，从而改善了检测看不见的关系的性能，并在 SimpleQuestion 数据集上验证了该方法的有效性。

Jul, 2019

本文使用多任务学习方法和多视角注意力机制，同时处理答案选择和知识库问答问题，并通过在不同视角学习多视角注意力来提高两个任务的性能。

Dec, 2018

通过构建一个具有相同头部或尾部实体的关系之间的边的双重关系图，我们的方法在多个公开数据集上取得了显著的性能提升，提高了实体和关系的表示能力。

Dec, 2023

本研究提出了一种知识增强的生成模型，能够前所未有地利用知识图谱来解决关系抽取问题中的歧义，显著提高了在多个基准测试和设置下的性能表现。

Jun, 2022

本文提出的方法使用图像属性和问题特征来派生知识，在只提取与问题相关的图像对象知识的同时，提供准确的答案。

Jun, 2023

本文提出了一种基于不确定知识图谱的关系抽取模型，该模型采用多视角推理框架来整合本地上下文和全局知识。实验结果表明，引入不确定知识和多视角推理框架的模型在句子和文档级别关系抽取上都具有竞争性能。

Apr, 2021

本文介绍了复杂问答（QA）的最新进展，分别从基于信息检索和神经语义解析两个方向出发，提出了未来研究的方向，并介绍了阿里巴巴团队提出的模型。

Jul, 2020