从文本和实体的图形表示中生成逻辑形式

ACLMay, 2019

从文本和实体的图形表示中生成逻辑形式

Generating Logical Forms from Graph Representations of Text and Entities

Peter Shaw, Philip Massey, Angelica Chen, Francesco Piccinno, Yasemin Altun

TL;DR本文提出了一种使用图神经网络和解码器复制机制相结合的方法来生成有实体的逻辑表达式，该方法不需要预训练即可在多个任务上达到与当前最先进方法竞争的效果，并且当与 BERT 预训练结合使用时，优于现有方法。

Abstract

Structured information about entities is critical for many semantic parsing tasks. We present an approach that uses a graph neural network (GNN) architecture to incorporate information about relevant entities and

semantic parsing graph neural network decoder copy mechanism logical forms bert pre-training

发现论文，激发创造

语言无关的神经符号语义分析在形式理解中的应用

该研究提出了一种名为 LAGNN 的语言无关图神经网络模型，用于将表格解析成单词 - 关系图，以联合识别实体和关系，并通过相对间距来利用布局信息进行易于语言转移。

May, 2023

语言和图神经网络模型的高效有效训练

本文提出了一种有效的框架，称为语言模型图神经网络 (LM-GNN)，通过分阶段的 BERT 模型微调来结合异构图结构与文本，以便在多项监督学习任务中实现节点和边分类以及链接预测，并在不同的数据集上评估了这个框架且在一个亚马逊搜索 - 购买 - 产品的应用中提供了有竞争力的结果。

Jun, 2022

基于门控图神经网络的知识库问答语义建模

本研究中，我们提出使用门控图神经网络来编码语义解析的图形结构，以解决学习复杂语义解析向量表示的问题。该方法在两个数据集上均优于不显式建模结构的基线模型，并通过误差分析成功处理复杂语义解析。

Aug, 2018

通过神经注意力机制实现从语言到逻辑形式的转换

本研究提出了一种基于注意力增强的编码器 - 解码器模型的通用方法，旨在消除传统方法所需的高质量词汇表、手工构建的模板和语言特征等问题，并可在不同领域和意义表示之间进行易于调整的转化，实验结果表明，该方法在不使用手工特征的情况下表现出了较强的竞争力。

Jan, 2016

知识图谱中的归纳逻辑查询回答

研究使用图神经网络的归纳节点和关系结构表征方法对知识图谱中的新实体进行逻辑推理的方法，并实验发现归纳模型能够在推理时间内对未见节点进行推理，同时可以推广至训练天数 500％大的图表，表现出较高效率和效果平衡的特点。

Oct, 2022

一种利用实体引导的，采用关系异构图神经网络的文本摘要框架

本篇论文提出了一种基于实体的文本摘要方法，采用实体构建句子 - 实体图，连接知识图谱和图神经网络实现摘要，提高了提取式和生成式基线的性能。

Feb, 2023

GraphFormers: 融合 GNN 和 Transformer 的文本图卷积神经网络表示学习

本文提出了一种基于文本图的表示学习方法 GraphFormers，该方法将语言模型的 Transformer 块与图神经网络嵌套在一起，将文本编码和图聚合融合到迭代的工作流程中，从全局视角准确地理解每个节点的语义。通过在三个大规模基准数据集上的广泛评估，GraphFormers 比 SOTA 基准模型具有相当的运行效率。

May, 2021

GoGNN: 面向预测结构化实体交互的图之间神经网络

本文提出了一种名为 GoGNN 的图对图神经网络，能够用双重注意机制提取结构化实体图和实体间交互图中的特征并保持邻居的重要性，在化学、药学等领域的实体交互预测任务中表现出了优异的性能。

May, 2020

图神经网络在知识图谱推理中的逻辑表现力

本文从逻辑表达式的角度对图神经网络进行了理论分析，实验结果验证了我们提出的实体标记方法的有效性，并揭示了基于标记技巧的最先进的方法为什么很有效。

Mar, 2023

一个语义分层图神经网络用于文本分类

本文研究了基于图神经网络的文本分类任务，提出了一种新的分层图神经网络模型（HieGNN），其在词级别、句子级别和文档级别分别提取相应的信息。实验结果表明与几个基准方法相比，我们的模型能够从样本中获得更多有用的分类信息。

Sep, 2022