EMNLPAug, 2019

在无需逻辑形式的情况下回答结构化数据上的对话式问题

PDF
TL;DR我们提出了一种用于回答基于结构化对象的时序问题的新方法，可以编码表格为图，使用指针网络从编码图中选择答案。我们展示了该方法在 SQA 任务上具有竞争性的结果。
sequential questionsknowledge basesgraph neural network modelpointer networkconversational references
发现论文，激发创造
  • 面向知识图谱的对话问答的结构化上下文和高覆盖率语法

    使用神经语义分析方法解决大型知识图库上的弱监督会话问答问题，引入了一种新的逻辑形式语法并使用基于 transformer 的模型将 JSON 输入转换为嵌入列表，最后在两个基于 Wikidata 的数据集上验证了该方法。

    Sep, 2021

  • 半结构化表格问答的神经多步推理

    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

  • 保持问题对话式：使用结构化表示解决对话问答中的依赖性

    本文提出了一种名为 CONVSR 的新型框架，用于捕获并生成中间表示作为会话提示，以增强 QA 模型的能力以更好地解释不完整的问题，并讨论了如何利用该任务的优势设计更具吸引力和雄辩的对话代理程序。

    Apr, 2023

  • 复杂的连续问答：学习在知识图谱上对话问答对

    本文提出了一个任务，即 Complex Sequential QA，它结合了回答简单事实性问题和通过一系列有逻辑的问答匹配进行会话来进行复杂推理，本文也介绍了关于这个任务所需数据集，以及目前现有的模型在处理实际场景中还存在的不足。

    Jan, 2018

  • 基于语义结构的知识图谱问答查询图预测

    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

  • 通过结构化查询模式在知识图谱上进行问答

    提出了一种有效的自然结构查询模式方法，该方法可实现基于知识图谱的自然语言问答并在三个问答基准测试中显著优于现有方法。

    Oct, 2019

  • 用于网络问答的半结构化数据图形表示

    本研究提出了一种基于图表示的网络数据表和列表的有效分类方法，通过预训练技术和推理技术来进行问答任务，显著提高了目前最先进技术的 F1 分数。

    Oct, 2020

  • 图形化结构表示用于视觉问题回答

    本文提出通过建立基于场景信号和问题信息的图结构，应用深度神经网络分析问题的方法来提升视觉问答（VQA）的性能，相比于基于 CNN/LSTM 的 VQA 方法，本方法获得了显著的改善，其准确性从 71.2％提高到 74.4％，在不同的 “平衡” 场景中的准确性则提高了 4.4％。

    Sep, 2016

  • 端到端口语对话问答：任务，数据集和模型

    提出了一种新的口语会话问答任务（SCQA），旨在使系统能够模拟复杂的对话流程，以便处理音频记录中的对话式问题，并探索从不同模态提供更多线索，通过 DDNet 方法有效地摄取跨模态信息以实现语音和语言模态的细粒度表示，并通过双向关注机制鼓励更好的音频和文本之间的对齐，以简化知识转移过程。通过 Spoken-CoQA 数据集，证明了跨模态信息融合的必要性，同时证明了提出的方法在口语会话问答任务中具有卓越的性能表现。

    Apr, 2022

  • 基于弱监督嵌入模型的开放式问答

    本文提出一种基于向量特征表示的问题回答方法，使用弱监督资源训练，并结合了优化过的随机梯度下降和微调步骤，实现了在基于弱标注数据下，对知识库回答表现的显著提升。

    Apr, 2014