WWWMar, 2021

使用自由文本知识图谱进行复杂事实型问答

PDF
TL;DRDELFT 是一个事实性问题回答系统，它将知识图谱问题回答方法的细微差别和深度与自由文本的广泛涵盖相结合。DELFT 从维基百科构建了一个自由文本知识图谱，使用实体作为节点，实体共现的句子作为边。DELFT 针对每个问题在自由文本图中找到将问题实体节点连接到候选节点的子图，使用文本句子作为边，创建稠密和高覆盖率的语义图。通过使用图神经网络，DELFT 可以从自由文本图中推理，通过沿着边句子的信息结合节点上的证据来选择最终答案。
发现论文，激发创造
  • 大型语言模型与知识图谱相遇：回答事实性问题

    提出一种使用知识图谱扩展预训练文本到文本语言模型的方法，通过从知识图谱中提取子图，使用基于 Transformer 的模型线性化提取的子图并重新对答案候选项进行排序，使得预训练文本到文本语言模型的 Hits@1 评分提升 4-6%。

    Oct, 2023

  • DecAF：针对知识库问答的答案和逻辑形式联合解码

    本文提出了一种基于简单的自由文本检索而非依赖工具实现的实体链接的新框架 DecAF，旨在检索答案，解决了生成的逻辑形式可能出现的语法和语义错误的非执行问题，并获得了 WebQSP、FreebaseQA 和 GrailQA 数据集上的最新业绩。

    Sep, 2022

  • 一种基于 FOFE-net 框架的简单有效知识库问答方法

    提出了一个基于 FOFE 和深度神经网络的简单但通用的神经模型 (FOFE-net) 来解决不同阶段的 KB-QA 问题，包括实体发现和链接 (EDL) 以及关系检测，评估结果表明 FOFE-net 在所有数据集的子任务中表现良好并推动了整体 KB-QA 系统的强大表现。

    Mar, 2019

  • 基于注意力卷积神经网络的简单问答

    该研究针对 Freebase 中的单关系事实问题回答，提出了一种两步骤流水线方法解决问题：实体链接和事实选择，结果表明该方法在 SimpleQA 任务上超过了现有技术水平。

    Jun, 2016

  • 利用知识库和文本的早期融合进行开放领域问答

    该论文提出了一种新模型 Graft-Net，应用于 Open Domain Question Answering 问题，该模型结合了文本和知识库并利用子图表示法以提高效率和准确度

    Sep, 2018

  • 大规模混合知识图谱上的问答系统

    BigText-QA 旨在开发一个综合 QA 系统，它能够回答基于一个知识图谱（KG）的更冗余形式的问题，该图谱将结构化和非结构化（即 “混合”）知识组织在统一的图形表示中，既有一个命名实体的规范集合，又有提供高度多样化的关系释义和丰富上下文信息的文本子句的开放集合。

    Dec, 2022

  • 使用实体识别、TFIDF 向量比较和可分解注意力进行事实验证的 DeFactoNLP

    本文描述了 DeFactoNLP 系统，该系统用于自动评估声明的准确性并从维基百科中检索支持此评估的证据。我们的方法基于 TFIDF 向量和被提出的命名实体来识别包含证据的维基百科文章，并通过文本蕴涵识别模块来计算句子支持声明的概率。我们的方法在 FEVER 2018 共享任务中获得了不错的表现。

    Sep, 2018

  • 动态融合图网络用于多跳推理

    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

  • 基于文档图网络的多跳问答支持事实识别

    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

  • 无监督事实核实的问答

    本文提出了一种基于无监督问答的事实检查方法，通过使用 Bert 对 FEVER 数据集进行 Cloze 任务转换，以预测答案标记，并计算基于正确回答的问题和阈值的标签。该方法在转换后的数据集上在开发集和测试集上分别实现了 80.2％和 80.25％的标签准确率。

    Oct, 2019