COLINGAug, 2018

基于门控图神经网络的知识库问答语义建模

PDF
TL;DR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。
knowledge base question answeringsemantic parsingvector representationsgraph neural networkserror analysis
发现论文，激发创造
  • 面向知识图谱的对话问答的语义解析

    本文介绍了使用自然语言处理技术的语义解析器，将用户的自然语言问题转化为有形式定义的查询语句，通过大规模知识图谱实现。作者提供了一个数据集，其中，用户问题采用 Sparql 语言解析，并对执行结果对系统回答进行注释。通过两种不同的语义解析方法，我们提出了挑战：如何处理大规模词汇，如何建模对话语境，如何处理多实体查询语句，并实现对新问题进行泛化。作者希望我们的数据集能够为开发会话式语义解析器提供有效的测试平台。本文的数据集和模型已经发布，详情请见链接。

    Jan, 2023

  • 基于语义分段的知识图谱问答的语义解析

    该研究论文介绍了一种名为 “graph-to-segment” 的新方法，用于基于知识图谱的问题回答，专注于理解问题陈述，并通过采用基于规则和神经网络技术的语义解析，通过生成任务和图神经网络处理知识图谱的上下文，提供对问题进行语义解析和回答的高效准确性和卓越性能。

    Dec, 2023

  • 知识库问答中更好的查询图选择

    该研究提出了一种基于语义分析的新方法，以提高知识库问答（KBQA）的性能。该方法侧重于如何从候选集中选择最佳查询图，以从知识库（KB）中检索答案，实验结果证明，该系统在复杂问题上取得了最佳表现，并在 WebQuestions 上取得了第二佳表现。

    Apr, 2022

  • 基于语义结构的知识图谱问答查询图预测

    本研究主要关注于如何从自然语言问题中构建查询图谱，提出了一种基于语义结构的 BERT 模型进行分析和预测，通过过滤噪声查询图，提高了问题解答的准确性。实验结果表明该方法比现有技术有更好的效果。

    Apr, 2022

  • 神经组合指称语义问答

    一个可不断微调的端到端不可分化模型，可以组合问题中所提到的不同方面，并使用知识图谱，对复合问题进行多步推理，例如，通过学习语义运算符，实现语义操作和推理。

    Aug, 2018

  • 使用动态上下文图进行对话语义解析

    本文讨论了使用动态子图和图形神经网络在上下文中交互地将用户话语映射为可执行的逻辑形式，并证明这种方法在处理对话信息方面更好。

    May, 2023

  • 基于语义解析的知识库问答

    本综述探讨了基于知识库的问题回答（KBQA）的两个独特挑战，并综述了现有 KBQA 方法的解决方法，其中建议通过深度学习领域的语义分析研究成果，解决当前 KBQA 研究遇到的瓶颈，特别是在预训练语言模型的时代。

    Sep, 2022

  • PipeNet：基于语义修剪的知识图谱问答

    通过引入显式的知识图谱可以改善问答系统，本研究提出了一种基于实体节点定位、剪枝和推理的流程以提高图推理的效率，并采用图注意力网络进行子图数据的推理。在 CommonsenseQA 和 OpenBookQA 上的实验结果证明了方法的有效性。

    Jan, 2024

  • 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

  • 生成深度问题的语义图

    该论文提出了一种深度问题生成的方法，通过构建语义级别的图表达文档全局结构，利用注意力机制和图神经网络解码，达到最先进水平，在 HotpotQA 中获得优异表现。

    Apr, 2020