ACLMay, 2019

利用知识感知阅读器提高不完整知识库的问答性能

PDF
TL;DR提出一种新的端到端问答模型，使用不完整知识库和一组检索到的文本片段学习如何汇聚答案证据，首先在与问题相关的知识库子图中累积实体知识，然后在潜在空间中重构问题并根据手头的累积实体知识读取文字，最后汇总来自知识库和文本的证据以预测答案，在广泛使用的 KBQA 基准 WebQSP 上，我们的模型在不同程度 KB 不完整的情况下均实现了一致的改进。
发现论文，激发创造
  • 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

  • 基于知识间隙引导的多跳问答方法：寻找遗漏内容

    本文提出了一种名为 GapQA 的新方法，该方法可在具有部分信息的情况下，识别知识缺口并填补它，提高了多跳文本问答的准确性，并在 OpenBookQA 数据集上进行了测试。

    Sep, 2019

  • 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

  • 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

  • 基于 Web 问答和多模态融合的知识库补全

    该论文提出了一种基于网络的问题回答系统，运用多模式融合的结构化和非结构化信息，用以填补知识库中的缺失信息，并通过该系统对问题模板进行提取和组合，结合结构化信息和网络上的非结构化信息，从而达到知识库补全的目的。

    Nov, 2022

  • 大规模混合知识图谱上的问答系统

    BigText-QA 旨在开发一个综合 QA 系统，它能够回答基于一个知识图谱（KG）的更冗余形式的问题，该图谱将结构化和非结构化（即 “混合”）知识组织在统一的图形表示中，既有一个命名实体的规范集合，又有提供高度多样化的关系释义和丰富上下文信息的文本子句的开放集合。

    Dec, 2022

  • 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

  • 将外部知识融入生成式阅读理解中的问答

    本文提出了一种新的神经网络模型 KEAG，该模型利用外部知识解决 QA 问题，能够比现有的知识感知 QA 模型生成更高质量的答案，并证明其在利用知识方面的有效性。

    Sep, 2019

  • QA 是新的 KR：将问题 - 答案对作为知识库

    本文提出了一种新的基于问题生成和实体链接的知识库生成方法，该知识库由小的模块化组件组成，支持关系查询和多跳推理，与用户信息需求相匹配。

    Jul, 2022