Sep, 2018

描述知识库

PDF
TL;DR利用指针网络，通过两个注意力机制（槽感知注意力、表位置自注意力），自动生成关于结构化知识库的自然语言描述，并提出基于 KB 重构的评估方法。实验表明，与现有最先进方法相比，该方法的性能显著提高，重构后的 KB 达到了 68.8％-72.6％的 F - 分数。
natural language generationstructured knowledge baseattention mechanismspointer networkkb reconstruction
发现论文，激发创造
  • 知识增强的上下文词表示

    提出了一种用多个知识库来加强大型模型表示的方法，每个知识库都通过一个集成实体链接器来检索相关实体嵌入，然后通过单词与实体关注的形式更新上下文单词表示，经实验发现知识增强的 BERT 模型具有更好的性能，且运行时间与 BERT 相当。

    Sep, 2019

  • Text2KGBench：基于本体驱动的文本知识图谱生成基准

    该研究论文介绍了 Text2KGBench 这个基准评估工具，可以评估语言模型的能力，从自然语言文本中生成知识图谱，并根据本体论从文本中提取事实。研究还提供了基准模型的结果和显示了使用语义网和自然语言处理技术，可以进一步提高模型性能的潜力。

    Aug, 2023

  • 通过探索知识图谱进行实体描述生成

    本文介绍了一个大规模、有挑战性的数据集，以促进知识图谱到文本分类的实际场景研究，同时提出了一种多图结构和聚合方法，以更全面地代表原始图信息，并成功解决信息丢失和参数爆炸的问题。

    Apr, 2020

  • 将实体与任意模式的未见知识库连接

    本文研究实体链接在零样本链接中的应用，介绍了一种灵活的方法来将实体从任意的知识库中转化为平面字符串，与零样本链接模型配合使用，通过两种规则方法的改进，实现了模型的精度提升，实验结果表明我们的模型优于基准模型，并且本文的方法也可以无缝地结合多个训练数据集。

    Oct, 2020

  • 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

  • 从 Wikidata 学习生成单句传记

    利用循环神经网络的序列到序列模型，结合注意力选择 Wikidata 中的事实并生成与之相关的维基百科传记句，模型通过人类偏好评估接近于维基百科参考水平，并且通过分析内容选择，模型可以在推断知识和错觉错误信息之间进行折中。

    Feb, 2017

  • 知识三元组的信息文本生成

    本研究提出使用记忆网络作为增强模型来生成 KB-to-text 中的人类可读句子，实现更多信息的传递。通过从 WebNLG 中获取数据集，并对模型进行多次的评测和实验，证明了本文所提出的解决方案的有效性以及内在特性的探究。

    Sep, 2022

  • 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

  • 具备实体一致性的端到端任务导向对话系统与知识库检索器

    本文提出了一种新的框架，通过两个步骤查询知识库以提高生成的实体的一致性，第一步是使用 KB 检索组件检索最相关的 KB 行，以过滤 Seq2Seq 响应生成模型中的无关实体，第二步则进一步执行关注机制以解决相关的 KB 列。两种方法被提出来使训练可行，包括远程监控和 Gumbel-Softmax 技术。在两个公共数据集上进行的实验表明，我们的模型通过优于基准系统，在生成一致实体响应方面具有较好的效果。

    Sep, 2019

  • 大规模知识库文本嵌入对齐的系统性研究

    该研究通过对齐知识库和文本嵌入，进行联合推理，并通过 COVID-19 案例研究，将文本信息注入知识库嵌入，从而更准确地预测新兴实体和事件的相关性。

    Jun, 2021