EMNLPSep, 2018

利用知识库和文本的早期融合进行开放领域问答

PDF
TL;DR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
open domain question answeringdeep neural networkknowledge basesubgraphgraft-net
发现论文，激发创造
  • 大规模混合知识图谱上的问答系统

    BigText-QA 旨在开发一个综合 QA 系统，它能够回答基于一个知识图谱（KG）的更冗余形式的问题，该图谱将结构化和非结构化（即 “混合”）知识组织在统一的图形表示中，既有一个命名实体的规范集合，又有提供高度多样化的关系释义和丰富上下文信息的文本子句的开放集合。

    Dec, 2022

  • 基于知识引导的开放领域问答中的文本检索和阅读

    本研究提出了一种基于知识库和相关文章文本联合的开放领域问答方法，通过检索和阅读一个包含文本段的图表结构，并采用跨相关段落传播信息的方式更新文本段落表示，从而在 WebQuestions、自然问题和 TriviaQA 三个任务的数据集上实现了 2-11% 的性能提升。

    Nov, 2019

  • 基于知识的开放域问答

    本研究提出了一种知识辅助的开放域问答方法，通过考虑问题与文档之间的关系以及文档与文档之间的关系来构建问题 - 文档图和文档 - 文档图，使用知识三元组并结合文档检索和答案重新排名来提高文档检索和答案排序的性能，从而提高了开放域问答的整体性能。

    Jun, 2020

  • 知识库复杂问题回答的调查：最新进展和挑战

    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

  • 从信息检索和深度神经网络角度的基于文本的问答：一项综述

    本文综述了传统信息检索方法和深度神经网络方法在文本问答任务中的应用，介绍了相关模型以及可供比较的数据集和文献结果。

    Feb, 2020

  • 通过检索和理解从非结构化文本中进行问答

    本文提出了基于 RNN 和神经模型的信息检索和理解两个步骤的开放域问答系统来解决信息检索的问题，并在 Wiki Movies 数据集上达到了最先进的表现，通过减少 40% 的错误率来证明了每个组件的重要性。

    Mar, 2017

  • 利用准知识图谱将多文献证据连接来回答复杂问题

    该论文介绍了一种名为 QUEST 的方法，该方法通过计算来自不同文档的部分结果的相似度连接，从而直接从文本源中回答复杂问题。

    Aug, 2019

  • GrapeQA：增广和修剪图形以加强问答

    GrapeQA 是一种基于语言模型的 Commonsense QA 方法，采用知识图谱以及图神经网络进行推理，提出了 Prominent Entities for Graph Augmentation 和 Context-Aware Node Pruning 两个简单的改进方法来解决捕捉 QA 信息和去除无关节点的问题，并在 OpenBookQA、CommonsenseQA 和 MedQA-USMLE 上展示出比 QA-GNN 更出色的结果。

    Mar, 2023

  • PullNet：基于知识库和文本迭代检索的开放域问答

    PullNet 是一个弱监督的集成框架，用于学习如何从由语料库和知识库组成的弱补充的语料库和知识库中提取和推理实现最佳答案，并使用图卷积网络实现多跳问题的应答。

    Apr, 2019

  • 利用知识感知阅读器提高不完整知识库的问答性能

    提出一种新的端到端问答模型，使用不完整知识库和一组检索到的文本片段学习如何汇聚答案证据，首先在与问题相关的知识库子图中累积实体知识，然后在潜在空间中重构问题并根据手头的累积实体知识读取文字，最后汇总来自知识库和文本的证据以预测答案，在广泛使用的 KBQA 基准 WebQSP 上，我们的模型在不同程度 KB 不完整的情况下均实现了一致的改进。

    May, 2019