ACLDec, 2020

利用抽象意义表示进行知识库问答

PDF
TL;DR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。
knowledge base question answeringneuro-symbolic question answeringabstract meaning representation (amr)graph transformationneuro-symbolic reasoner
发现论文，激发创造
  • 利用抽象意义表示进行开放域问答

    文章介绍了一种将 Abstract Meaning Representation 引入 Pretrained Language Models 中的方法 Graph-as-Token（GST），用于提高 Open-Domain Question Answering 任务的性能。实验结果表明，该方法能显著提升系统的性能，并且在集成 AMRs 方面优于替代的 Graph Neural Network 方法。

    May, 2023

  • 交互式 KBQA：大型语言模型的知识库问答多轮交互

    通过与知识库进行直接交互生成逻辑形式，我们引入了 Interactive-KBQA 框架来解决知识库问答领域的问题，该框架包括三种通用 API 用于知识库交互，通过步骤推理过程注释数据集，展示了我们模型的适应性和潜力，并在低资源场景中以极少的示例达到了优秀的结果。

    Feb, 2024

  • 知识库复杂问题回答的调查：最新进展和挑战

    本文介绍了复杂问答（QA）的最新进展，分别从基于信息检索和神经语义解析两个方向出发，提出了未来研究的方向，并介绍了阿里巴巴团队提出的模型。

    Jul, 2020

  • 众包问答语义表示

    本文介绍了问题 - 答案意义表示（QAMRs），并采用众包方案展示了 QAMRs 可以用非常少的训练进行标记，并收集了超过 5,000 个句子和 100,000 个问题的数据集。通过详细的定性分析，证明了众包生成的问题 - 答案对涵盖了现有数据集中绝大多数谓词 - 论元关系（包括 PropBank，NomBank，QA-SRL 和 AMR 等），以及许多先前资源匮乏的关系，包括隐含论元和关系。 QAMR 数据和注释代码公开提供，以便未来研究如何最好地对这些复杂现象进行建模。

    Nov, 2017

  • MarkQA：一个具有数值推理的大规模知识库问答数据集

    本文提出了一个新的任务，NR-KBQA，它需要进行多跳推理和数值推理。我们使用 Python 格式的逻辑形式 PyQL 设计了数值推理问题的推理过程，并提供了一个名为 MarkQA 的大型数据集，用于促进 NR-KBQA 的开发。实验结果表明，在 MarkQA 上进行复杂的数值推理在 KBQA 中面临巨大挑战。

    Oct, 2023

  • 走向语义网上的问答系统

    本文提出了一种基于 SPARQL 查询的多语言语义 Web 知识库问答（QA）方法，能够查询多个知识库，可轻松移植到其他知识库和语言。通过对五个不同的知识库和五种语言的评估，证明了该方法的影响。

    Mar, 2018

  • 利用语义解析进行知识库中的关系链接

    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。

    Sep, 2020

  • QA 是新的 KR：将问题 - 答案对作为知识库

    本文提出了一种新的基于问题生成和实体链接的知识库生成方法，该知识库由小的模块化组件组成，支持关系查询和多跳推理，与用户信息需求相匹配。

    Jul, 2022

  • 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

  • 知识图谱通用问答平台

    本文提出了 KGQAn，一个通用的 QA 系统，它不需要为每个目标 KG 进行定制，而是采用一种新颖的形式化方法将问题理解为一个文本生成问题，并通过神经序列到序列模型将问题转换为中间抽象表示。我们还开发了一个即时链接器，在查询时间使用 RDF 存储的公共可访问 API 和现有索引将抽象表示映射到特定 KG 的 SPARQL 查询，而无需任何预处理。我们在几个真实的 KG 上进行的实验表明，KGQAn 易于部署，对于任意的 KG 表现良好，优于现有的 QA 系统。

    Mar, 2023