利用语义解析进行知识库中的关系链接

Sep, 2020

利用语义解析进行知识库中的关系链接

Leveraging Semantic Parsing for Relation Linking over Knowledge Bases

Nandana Mihindukulasooriya, Gaetano Rossiello, Pavan Kapanipathi, Ibrahim Abdelaziz, Srinivas Ravishankar...

TL;DR通过语义解析（AMR）和远程监督，SLING 整合了多种关系链接方法，以捕获互补信号，如语言线索，丰富的语义表示和来自知识库的信息。在关系链接方面做了实验，并在三个 KBQA 数据集上取得了最先进的表现。

Abstract

knowledgebase question answering systems are heavily dependent on relation extraction and linking modules. However, the task of extracting and linking relations from text to knowledgebases faces two primary challenges; the ambiguity of natural language and lack of training data. To ove

knowledgebase question answering relation extraction semantic parsing distant supervision state-of-the-art performance

发现论文，激发创造

知识库问答的生成式关系链接

通过对关系链接进行生成式建模，并将目标知识库的结构化数据注入到序列生成模型中，进一步生成由参数 - 关系对组成的结构化输出，从而大幅提高与已有方法的比较结果，同时使用更简单的模型，可轻松适应不同的知识库。

Aug, 2021

利用抽象意义表示进行知识库问答

本文提出了一种模块化的知识库问答系统 Neuro-Symbolic Question Answering (NSQA)，它采用 Abstract Meaning Representation (AMR) parse 语义分析、简单有效的图转换方法和多个可重复使用训练模块（语义分析、实体和关系链接和神经符号推理器），避免需要端到端的训练数据，并在两个著名知识库问答数据集上（基于 DBpedia 的 QALD-9 和 LC-QuAD1.0）实现了最先进的性能，并且 AMR 是 KBQA 系统的强大工具。

Dec, 2020

QASem 解析：基于 QA 语义的文本到文本建模

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

AMUSE: 面向语义链接数据的多语言问答语义解析

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

利用医学文本的语义解析提取生物分子相互作用

本文研究使用抽象意义表示 (AMR)、依存句法和图核学习框架的结合，提高了生物分子相互作用提取系统的准确性和鲁棒性。

Dec, 2015

面向知识图谱的对话问答的语义解析

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

基于语义解析的知识库问答

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

SLING：用于框架语义解析的框架

SLING 是一个用于将自然语言解析成语义框架的框架，使用双向 LSTM 输入编码和输出解码的转换式神经网络解析，可直接输出帧图而无需任何符号表示。

Oct, 2017

对话建模的语义表示

我们使用抽象意义表示（AMR）来协助神经对话建模，将 AMR 图形构建到对话系统中会更显著地提高对话理解和响应生成任务的效果。

May, 2021

大型语言模型时代的语义表示分析

在大语言模型 (LLMs) 时代，本文调查了语义表征在 LLMs 时代中的作用，并探讨了 Abstract Meaning Representation (AMR) 对五个不同自然语言处理任务的影响。通过提出了一种名为 AMRCoT 的 AMR 驱动的思维链提示方法，我们发现它通常会使性能下降。通过一系列分析实验，我们发现很难预测 AMR 在哪些输入示例上能帮助或妨碍，但错误通常出现在多词表达式、命名实体以及 LLM 在最终推理步骤中必须将其基于 AMR 的推理与预测相连接的地方。因此，我们建议将来关注这些领域的语义表征工作。

May, 2024