基于神经网络的知识图谱问答方法介绍
本文通过在神经网络框架中密切模拟问题,引入句法信息来帮助编码问题,并将不同类型的问题和共享信息建模为适应性任务,并提出适应性模型,从而在 Stanford 问题回答数据集(SQuAD)上证明这些方法可帮助获得比竞争基准更好的结果。
Mar, 2017
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
本文介绍了一种基于知识图谱的问答系统,采取了一种新型的深度学习架构和端到端变分学习算法,可以同时处理问题中的噪声和多跳推理,在最新的基准数据集中取得了最优表现。
Sep, 2017
本文提出一种基于自注意力机制的空槽匹配模型,用于复杂问题回答的神经查询图排名方法的实证研究,实验结果表明与其他六种排名模型相比,我们的模型在 DBpedia 知识图谱上的两个 QA 数据集中表现更好,并且通过从规模较大的数据集进行迁移学习,可以有效弥补训练数据的不足,进一步提高了模型的表现。
Nov, 2018
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
通过将问题回答问题的问题分解为实体检测,实体链接,关系预测和证据组合,我们使用一些启发式算法,探索了一些简单而强大的基线模型,其中基本的 LSTM 和 GRU 加上一些启发式算法得到的准确率接近最新技术水平。这些结果表明,文献中提出的复杂深度学习技术带来的收益相当有限,并且一些先前的模型表现出了不必要的复杂性。
Dec, 2017
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