本文提出了一个基于多跳推理的知识图谱通用框架,其中包含本地全局知识模块以估计可能的路径,不同的操作丢失模块以探索各种路径,自适应停止搜索模块以避免过度搜索,并将其应用于自然语言处理。实验结果表明,该模型能够在短距和长距推理场景中显著地改善性能。
Oct, 2020
这篇论文重点关注如何优化多跳推理(MHR)的时间效率,提出了一种新的并行算法来快速识别知识图谱中顶点之间的前 K 个路径,从而有效地回答三跳查询,并通过实证结果展示了该算法的卓越性能。
Jun, 2024
该论文提出了一种在多步问题回答中维护显式推理过程的方法。该方法提取一个离散的推理链,并将其提供给一个基于 BERT 的 QA 模型来进行最终答案预测。我们的方法在两个近期提出的大型多跳问题回答数据集 ——WikiHop 和 HotpotQA 上进行了测试,并取得了令人瞩目的成果。
Oct, 2019
本论文提出了一种新颖的知识感知方法,将预训练语言模型与多跳关系推理模块相结合,对外部知识图谱子图进行多跳关系推理。该方法统一了基于路径的推理方法和图神经网络,提高了可解释性和可伸缩性,并在常识问答和开放式书面问答数据集上证明了其有效性和可伸缩性,并通过案例研究进行了解释。
May, 2020
本文提出了一种拓扑感知的、适用于归纳和推理环境下的多模态知识图谱推理方法 TMR,该方法主要由任务感知归纳表示和关系增强自适应强化学习两个组件构成,并在不同规模的归纳推理数据集上进行了评估。实验表明,TMR 在归纳和推理环境下均优于现有的多模态知识图谱推理方法。
Jun, 2023
本研究通过 Multi-Chain Reasoning 方法,使用大型语言模型针对多个 chain-of-thought 进行 meta-reasoning,提高多跳问答的性能,并生成高质量的解释,结论基于七个多跳 QA 数据集上的测试表现优异。
Apr, 2023
本文提出了一种新颖的无图替代方法,采用 select-to-guide 策略并结合两种新颖的注意机制,在 HotpotQA 数据集上明显优于基准和当前最新的状态 - of-the-art。
Jul, 2021
本文介绍了一种基于循环神经网络和实体和关系向量表示的 ROPs 方法,可以有效地预测由多跳知识库路径组成的知识图谱中的实体。该方法能够建模任意长度的多跳路径,并以训练信号为每一步更新实体和关系的表示,从而解决了知识库补全和路径查询答案等关键任务的问题。
Jun, 2018
本文针对生物数据的图形结构,以药物再利用的真实任务为例,利用强化学习和逻辑规则相结合的方法 PoLo 进行链路预测,超越了几种最先进的算法,并提供解释性。
Mar, 2021
本文提出了一种结合逻辑规则和神经多跳推理方法的强化学习方法,用于解决生物医学数据中长距离依赖性的问题,应用于药物再利用领域的链接预测问题,并在 Hetionet 知识图谱中表现出了优异的实验结果。
Jul, 2020