生成深度问题的语义图
本文提出了一种基于问题生成的新型多跳问答方法,通过精心设计端到端的 QG 模块,在上下文理解中提出内在逻辑子问题,从而继承了 QD 方法的可解释性并表现出较高的性能。实验证明,我们提出的 QG 模块是有效的,在流畅性、一致性和多样性方面优于 QD 方法,并获得了人工评估的定量可解释性。
Mar, 2022
本文提出了文档图网络(DGN),一种用于识别文本的支持事实的消息传递架构,该架构基于图形式表达的文本结构表示。在 HotpotQA 的评估中,DGN 在多跳推理任务中获得了与基于阅读理解的基线模型相当的结果,证实了结构化表示对于支持多跳推理的相关性。
Oct, 2019
本文提出了一种基于 AQG(一种统一的图形文法)的端到端模型,由高级解码生成用于约束搜索空间的 AQG 和底级解码构造查询图,旨在优化查询图构建过程,提高在复杂 KGQA 基准测试中的表现。
Nov, 2021
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
本文提出 Dynamically Fused Graph Network(DFGN)以支持多篇文档中的多个说明文本的问题回答,并在 HotpotQA 上获得了有竞争力的结果和可解释的推理链。
May, 2019
本研究提出了一种基于 bidirectional Graph2Seq 模型和节点级别复制机制来生成知识图谱子图问题的方法,并在自动和人工评估中取得了最新的最好表现,并显示了该方法可以作为数据增强方法,从而持续有益于问答任务。
Apr, 2020
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
提出一种基于抽象意义表示(AMR)的语义图构建方法及推理模型,能够有效地检索更多有效的知识事实以填补知识空白,并在多次推理过程中提高推理透明度。该模型在两个科学多次问答数据集中得到了最新成果,包括那些使用附加知识图谱的方法,在保持 OpenBookQA 高可解释性的同时,实现了 ARC-Challenge 新的最佳结果。
May, 2021
本文提出了逻辑结构约束建模的方法,通过引入针对命题单元的蕴涵或矛盾关系而非实体关系的逻辑结构来解决基于逻辑推理的问题回答任务,使用基于语篇的图网络实现了逻辑图构建和逻辑特征学习,并将基础特征与高级逻辑特征相结合,实现文本编码器的答案预测,实验结果证明该方法在三个文本逻辑推理数据集上效果显著,并且具有未见过逻辑文本的普适性。
Jul, 2022
本文介绍了一种基于分层图网络的多跳问答模型,通过构建不同粒度层次的节点来聚合多个段落中分散的线索,使用预先训练的上下文编码器对节点进行初始化,通过图传播等方式更新节点表示并实现多跳推理,实验结果表明,该方法在 HotpotQA 基准测试中取得了新的最高水平,优于现有的多跳问答方法。
Nov, 2019