ACLMar, 2019

基于双向注意力记忆网络的知识库问答

PDF
TL;DR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。
发现论文，激发创造
  • 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

  • 用于直接阅读文档的键值记忆网络

    该论文介绍了一种新方法，利用 Key-Value Memory Networks 技术，使得从文本中读取信息并回答问题成为可能，并在电影领域的 QA 数据集 WikiMovies 上进行了实验和检测，结果表明该方法对比使用 KB 或信息提取或 Wikipedia 直接处理的方法在表现上更优，表现出 state-of-the-art 的效果。

    Jun, 2016

  • 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

    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。

    Apr, 2018

  • 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

  • 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

  • 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

  • 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 QA-Memory 增强预训练语言模型以进行开放域问答

    本文提出了一种以问答对为基础的编码 - 解码模型，通过该模型的预训练策略，能够在单跳及多跳问题上达到强大性能，并进一步提高了对模型的解释和控制能力，缩小了与段落检索系统之间的性能差距。

    Apr, 2022

  • 学习视觉知识记忆网络用于视觉问答

    本文提出了一种基于 VKMN 的视觉知识存储网络，通过 End-to-End 的学习框架将结构化人类知识和深度视觉特征融入到记忆网络中来对抗视觉问答中缺乏对结构化知识的利用的问题，并在 VQA 1.0 和 VQA 2.0 基准测试中表现出显著的性能优势，特别是在涉及知识推理的问题方面。

    Jun, 2018

  • 利用知识库和文本的早期融合进行开放领域问答

    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

    Sep, 2018