ACLApr, 2019

基于子图排名和联合打分的简单问答

PDF
TL;DR提出了一个统一框架来描述和分析已有的知识图谱简单问题回答方法，通过提出一种新的排名方法来改进子图选择，并提出了一个联合评分 CNN 模型，采用新的损失函数来利用主题 - 关系依赖性并实现得分的良序，从而在 SimpleQuestions 数据集上达到了新的最优表现（85.44% 的精度）。
knowledge graphquestion answeringsubgraph selectionfact selectioncnn model
发现论文，激发创造
  • 图增强的学习排序用于查询大规模知识图谱

    提出了一种基于子图分区的图增强学习排序模型，该模型整合了子图匹配网络和增强双边多角度匹配模型，用于知识图谱问答中的答案选择。在多个基准数据集上的实验结果表明，该方法具有很好的效果。

    Nov, 2021

  • 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

  • 知识库问答中的查询图重新排名方法

    本文提出了一种新的重排方法，以更好地选择知识图谱的子图查询图形，以检索知识库问答（KBQA）中的输入问题的答案。

    Apr, 2022

  • 基于子图的案例推理知识库问答

    我们提出了一种基于图的方法 CBR-SUBG，利用相似的子图和潜在的推理模式来回答在知识库中问答。我们还提出了一种自适应的子图收集策略，以选择一个紧凑的子图，并显示 CBR-SUBG 可以与最佳模型竞争地回答需要子图推理模式的查询。

    Feb, 2022

  • 基于图神经网络的子图引导知识图谱问题生成

    本研究提出了一种基于 bidirectional Graph2Seq 模型和节点级别复制机制来生成知识图谱子图问题的方法，并在自动和人工评估中取得了最新的最好表现，并显示了该方法可以作为数据增强方法，从而持续有益于问答任务。

    Apr, 2020

  • 多跳知识库问答的子图检索增强模型

    本研究提出了一种可训练的子图检索器（SR），它与后续的推理过程分离，可增强任何以子图为导向的 KBQA 模型，并通过弱监督的预训练以及端到端的微调，与 NSM 组合成为新的基于嵌入的 KBQA 方法的最新的最先进的表现。

    Feb, 2022

  • 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

  • 三元组检索的图式推理问答

    提出了一种简单而有效的方法来检索和重新排序与问题回答相关的三元组，并将它们与问题连接以提高语言模型的表现，实验结果显示，其在常识问答和开放式书本问答数据集上均表现优于现有的最佳方法。

    May, 2023

  • 基于层次化查询图生成的知识图谱复杂问题回答：概述和填写

    本文提出了一种基于 AQG（一种统一的图形文法）的端到端模型，由高级解码生成用于约束搜索空间的 AQG 和底级解码构造查询图，旨在优化查询图构建过程，提高在复杂 KGQA 基准测试中的表现。

    Nov, 2021

  • 复杂知识库问答：综述

    本文综述了近年来解决复杂问题的知识库问答的最新进展，介绍了语义分析和信息检索方法，总结了这两类方法在回答复杂问题时遇到的挑战，并详细解释了现有工作中使用的先进解决方案和技术，最后探讨了与复杂 KBQA 相关的若干有前途的研究方向。

    Aug, 2021