利用机器阅读理解从文本构建动态知识图谱

ICLROct, 2018

利用机器阅读理解从文本构建动态知识图谱

Building Dynamic Knowledge Graphs from Text using Machine Reading Comprehension

Rajarshi Das, Tsendsuren Munkhdalai, Xingdi Yuan, Adam Trischler, Andrew McCallum

TL;DR我们提出了一种神经机器阅读模型，它从过程文本中构建动态知识图，并利用它们来跟踪参与实体的演变状态，从而改善机器对文本的理解。

Abstract

We propose a neural machine-reading model that constructs dynamic knowledge graphs from procedural text. It builds these graphs recurrently for each step of the described procedure, and uses them to track the evo

neural machine-reading model knowledge graphs machine comprehension entity states procedural text

发现论文，激发创造

动态知识图谱交互式机器阅读理解

本文研究在机器阅读理解任务中，通过动态构建和更新表示文本信息不同级别的四种不同类别的图表，并使用神经模型在增强学习代理中对表示进行编码，证明了图表表示可以显著提高交互式机器阅读理解代理的性能表现。

Aug, 2021

机器阅读理解中的通用知识显式利用

本文提出了一种基于数据丰富的方法，提取给定语料对中的语义联系作为人类的通用知识，并在此基础上构建了一种知识辅助的 MRC 模型，与业内领先 MRC 模型相比具有相当的性能和更强的抗干扰能力。

Sep, 2018

使用组合性解释来教授机器理解

本文提出了一种使用少量半结构化解释 “教” 机器阅读理解的方法，同时提取结构化变量和规则，并组成神经模块作为下游 MRC 模型的训练实例的注释，使用可学习的神经模块和软逻辑来处理语言变化并克服模型覆盖率不足。在 SQuAD 数据集上，使用 26 个解释进行监督训练，该方法实现了 70.14% 的 F1 得分，与使用 1100 个标记实例的普通监督学习相比，速度提高了 12 倍。

May, 2020

教模型在理解文档后回答问题

提出了一种两阶段知识蒸馏方法，通过将 MRC 任务分为两个单独阶段教导模型更好地理解文档，实验结果表明，使用该方法装备的学生模型具有显著的改进，证明了该方法的有效性。

Jul, 2023

多篇文档阅读理解的深度级联模型

本研究提出一种深度串级学习模型来平衡在线问答系统的效能和效率之间的基本权衡，在多文档的 MRC 场景中取得更好的效果并能够在不到 50 毫秒内稳定地为数百万日请求提供服务。

Nov, 2018

利用外部知识资源实现领域特定的理解

通过利用知识图谱与预训练语言模型的嵌入空间相结合的方法，我们对领域特定的文本数据进行了对齐和融合，从而实现与领域特定模型相似的性能表现。

Jan, 2024

利用多任务学习将关系知识纳入常识阅读理解

本文提出了一种将外部关联知识与多任务学习相结合的方法，以提高机器阅读理解的效果，并在两个多选基准数据集上进行了实验，结果表明该方法在常识推理方面表现优异。