语义抽象的全局推理问答
本研究主要关注于如何从自然语言问题中构建查询图谱,提出了一种基于语义结构的 BERT 模型进行分析和预测,通过过滤噪声查询图,提高了问题解答的准确性。实验结果表明该方法比现有技术有更好的效果。
Apr, 2022
该论文研究了使用问答的方式表示语义关系,并从三个任务的角度分析了如何最好地利用 seq2seq 预训练语言模型的威力。最终提出了一个综合文本信息的模型,并发布了具有实用性的 QASem 分析工具。
May, 2022
本文提出了一种基于 SPARQL 查询的多语言语义 Web 知识库问答(QA)方法,能够查询多个知识库,可轻松移植到其他知识库和语言。通过对五个不同的知识库和五种语言的评估,证明了该方法的影响。
Mar, 2018
本文提出了一种新颖的基于语义的问题回答方法 (SEQA),该方法使用生成模型先产生一组可能的答案,然后基于这些可能的答案和问题在语义上的相似性来选择正确的答案。该方法在无监督的情况下,通过对四个基准数据集的实验验证了其有效性和健壮性,并取得了最佳结果。
May, 2021
本文介绍了使用自然语言处理技术的语义解析器,将用户的自然语言问题转化为有形式定义的查询语句,通过大规模知识图谱实现。作者提供了一个数据集,其中,用户问题采用 Sparql 语言解析,并对执行结果对系统回答进行注释。通过两种不同的语义解析方法,我们提出了挑战:如何处理大规模词汇,如何建模对话语境,如何处理多实体查询语句,并实现对新问题进行泛化。作者希望我们的数据集能够为开发会话式语义解析器提供有效的测试平台。本文的数据集和模型已经发布,详情请见链接。
Jan, 2023
研究发现,多语言自然语言问答技术仍存在困难,我们提出了一种利用 DUDES 和 MCMC 方法建立模型的 QALD 管道,成功将自然语言问题转换为可执行的 SPARQL 查询,并且在英语、德语和西班牙语环境下进行了测试。
Feb, 2018
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
本文提出了 KGQAn,一个通用的 QA 系统,它不需要为每个目标 KG 进行定制,而是采用一种新颖的形式化方法将问题理解为一个文本生成问题,并通过神经序列到序列模型将问题转换为中间抽象表示。我们还开发了一个即时链接器,在查询时间使用 RDF 存储的公共可访问 API 和现有索引将抽象表示映射到特定 KG 的 SPARQL 查询,而无需任何预处理。我们在几个真实的 KG 上进行的实验表明,KGQAn 易于部署,对于任意的 KG 表现良好,优于现有的 QA 系统。
Mar, 2023
本文研究使用深度学习技术回答多步推理问题的方法,该方法基于自然语言问句生成机器可理解的逻辑形式,使用字符和单词 CNN 同时嵌入逻辑形式和问句,并使用神经评分函数检索问题的最可能逻辑形式,取得 38.7% 的最佳性能。
Feb, 2017
本综述探讨了基于知识库的问题回答(KBQA)的两个独特挑战,并综述了现有 KBQA 方法的解决方法,其中建议通过深度学习领域的语义分析研究成果,解决当前 KBQA 研究遇到的瓶颈,特别是在预训练语言模型的时代。
Sep, 2022