PullNet:基于知识库和文本迭代检索的开放域问答
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
该研究提出了一种将多种知识源集成起来的问题回答方法,着重利用基于图的迭代知识检索模块和答案感知的注意机制,从多个知识源中检索和综合背景知识,并在 CommonsenseQA 数据集上实现了最优的表现。
Nov, 2020
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
本文提出了一种方法,用于在大量知识库之中检索多个支持段落,以回答所提出的问题。该方法使用联合向量表示形式,并考虑知识源中段落的上下文句子表示形式。该技术在 SQuAD-Open 和 HotpotQA 的数据集上实现了开放域问答的最新成果。
Jun, 2019
介绍了一种基于图形的循环检索方法,学习在 Wikipedia 图形上检索推理路径来回答多跳开放域问答问题。该方法在三个开放域 QA 数据集上实现了最新技术成果,特别是在 HotpotQA 中表现出显著的改进,超过了以前最好的模型 14 个百分点以上。
Nov, 2019
本文提出了一种基于图模型和关联反馈的检索方法,用于连续的问答交互中提高检索效率和准确性。实验结果显示,与当前流行的方法相比,该方法大幅提高了问题回答的 F1 得分。
Apr, 2021
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
通过引入显式的知识图谱可以改善问答系统,本研究提出了一种基于实体节点定位、剪枝和推理的流程以提高图推理的效率,并采用图注意力网络进行子图数据的推理。在 CommonsenseQA 和 OpenBookQA 上的实验结果证明了方法的有效性。
Jan, 2024
该论文介绍了一种新的开放域问答框架,其中检索器和阅读器相互迭代交互,引入了多步推理机制,有助于从长度为百万级的语料库中检索信息性段落,并应用于不同的问答数据集和模型中均取得了一致性的提升。
May, 2019