AAAISep, 2019

基于图的异构外部知识推理用于常识问答

PDF
TL;DR本文提出了一种基于知识库和维基百科文本的异构证据自动提取方法以回答常识问题，通过构建图形结构并使用图形卷积网络对邻居信息进行编码并利用图形注意力机制聚合证据来预测最终答案，成功地提高了 CommonsenseQA 数据集上的准确性达到了最先进水平。
commonsense question answeringevidence extractionknowledge basegraph-based approachstate-of-the-art accuracy
发现论文，激发创造
  • 基于图形迭代检索多个知识源来提高常识问答

    该研究提出了一种将多种知识源集成起来的问题回答方法，着重利用基于图的迭代知识检索模块和答案感知的注意机制，从多个知识源中检索和综合背景知识，并在 CommonsenseQA 数据集上实现了最优的表现。

    Nov, 2020

  • KagNet: 基于知识的图网络用于常识推理

    该研究提出了一种基于知识图谱的语义推理框架，以解决常识性问题，并通过引入 KagNet 模型和 ConceptNet 外部资源，取得了在常识 QA 数据集上的最佳表现。

    Sep, 2019

  • 零样本常识问答的动态神经符号知识图谱构建

    通过动态生成常识知识图谱，我们提出了一种零 - shot 通识问答的方法，能够推理涉及文本场景中因果关系、影响和状态等方面的隐含世界知识，并实现了生成语义知识结构的功能，从而有效地推理出正确答案。

    Nov, 2019

  • 学习在维基百科图上检索推理路径用于问答

    介绍了一种基于图形的循环检索方法，学习在 Wikipedia 图形上检索推理路径来回答多跳开放域问答问题。该方法在三个开放域 QA 数据集上实现了最新技术成果，特别是在 HotpotQA 中表现出显著的改进，超过了以前最好的模型 14 个百分点以上。

    Nov, 2019

  • 将上下文融入知识图谱以用于常识问答

    本文提出一种通过利用外部实体描述来为知识理解提供上下文信息的方法，将其作为预训练语言模型的附加输入，以解决知识图谱融合到语言建模中的问题，并获得了常识 QA 数据集中最先进的结果和 OpenBookQA 中非生成模型中最好的结果。

    Dec, 2020

  • 基于视觉常识的异构图对比学习

    本研究通过引入视觉常识信息和提出异构图对比学习方法，改善视觉推理任务，使模型更专注于具有辨别力的对象和相关的视觉常识属性，并通过图关系网络推理同质边之间的关联和异质边之间的相似性，从而提高了模型的信息传输效果。在四个基准测试上的广泛实验表明，本方法显著改进了七个具有代表性的视觉问答模型，证明了它的有效性和泛化性。

    Nov, 2023

  • 基于跨模态知识推理的基于知识的视觉问答

    本文提出了基于多个知识图谱的知识的视觉问答模型，通过串联的 GRUC 模块，对不同模态的图像信息进行并行推理，最终利用图神经网络获得全局最优解，在三个流行基准数据集上获得新的 state-of-the-art 表现结果。

    Aug, 2020

  • 基于相似度加权的上下文通识知识图构建，用于知识密集型论证任务

    本文提出了构建上下文常识知识图谱的新方法，使用语义相似性计算知识图谱三元组和文本论点之间的相似度，从而提取连接论点和前提的上下文化路径，并组合成去噪的上下文常识知识图谱来补充没有明确陈述的论证过程，所得结果在评估任务中显示出了很高的正确率。

    May, 2023

  • 三元组检索的图式推理问答

    提出了一种简单而有效的方法来检索和重新排序与问题回答相关的三元组，并将它们与问题连接以提高语言模型的表现，实验结果显示，其在常识问答和开放式书本问答数据集上均表现优于现有的最佳方法。

    May, 2023

  • 一种基于图导引的开放式通识问答推理方法

    论文通过构建一个与问题相关的知识图谱并采用顺序子图推理过程来预测答案，提出了一种新的模型来解决多跳推理的通识推理问题，提高了在 OpenCSR 数据集上的性能。

    Mar, 2023