基于关注机制循环神经网络和基于相似矩阵的卷积神经网络的 Freebase 问答

Apr, 2018

基于关注机制循环神经网络和基于相似矩阵的卷积神经网络的 Freebase 问答

Question Answering over Freebase via Attentive RNN with Similarity Matrix based CNN

Yingqi Qu, Jie Liu, Liangyi Kang, Qinfeng Shi, Dan Ye

TL;DR本研究提出了一种基于注意力循环神经网络和相似度矩阵卷积神经网络（AR-SMCNN）模型的知识库问答方法，能够充分利用循环神经网络和卷积神经网络的优势，从而能够捕获全面的层级信息，同时使用了新的启发式扩展方法对实体检测进行了优化，在 SimpleQuestion 基准测试中表现出更高的准确性和效率。

Abstract

With the rapid growth of knowledge bases (KBs), question answering over knowledge base, a.k.a. KBQA has drawn huge attention in recent years. Most of the existing KBQA methods follow so called encoder-compare fra

knowledge base question answering neural network rnn cnn

发现论文，激发创造

基于查询注意力的文本相似度映射 CNN

介绍了一种用于问答的端到端神经网络，名为 Query-based Attention CNN (QACNN)，并在基于电影情节的数据集（MovieQA dataset）上实现 79.99% 的准确率，成为该数据集的最佳模型。

Sep, 2017

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

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

一种基于注意力机制的词级交互模型：知识库问答中的关系检测

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

QANet: 将局部卷积和全局自注意力相结合用于阅读理解

本文提出一种名为 QANet 的新型机器阅读和问答架构，它没有使用循环神经网络，而是仅由卷积神经网络和自注意力机制组成，可在训练和推理期间实现更快的速度，并在测试集上实现了 84.6 F1 得分，超过了最佳发布 F1 得分 81.8。

Apr, 2018

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

快速高效神经问答的双曲线表示学习

该研究提出 HyperQA，是基于超伸缩空间对问题和答案嵌入之间的关系建模的简单但新颖的深度学习体系结构，它不需要进行特征工程，相似性矩阵匹配，复杂的注意机制或过度参数的层，但在多个基准测试中表现优异并与许多具有这些功能的模型保持竞争力。

Jul, 2017

知识库问答中应更加关注关系探索

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

基于注意力的神经匹配模型 aNMM：短答案文本排序

本文提出了基于注意力机制的神经匹配模型，采用基于价值共享的加权方案，结合问题关键词重要性学习，使用 popular benchmark TREC QA 数据集验证其在短答案文本排名方面的性能优越性。

Jan, 2018

基于属性和外部知识的图像字幕和视觉问答

本文提出了在成功的卷积神经网络 - 循环神经网络方法中加入高级概念的方法，并证明其在图像字幕和视觉问答中取得了显著的改进。该机制还可用于合并外部知识，特别是允许在图像中回答有关内容的问题，即使图像本身不能提供完整答案。

Mar, 2016