Aug, 2021

知识库问答的生成式关系链接

PDF
TL;DR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。
relation linkingknowledge basesgenerative approachsequence-to-sequence modelsstructured output
发现论文，激发创造
  • 知识库问答中应更加关注关系探索

    本文提出了一种新的 RE-KBQA 框架，利用知识库中的关系来增强实体表示并引入额外的监督方法以提高知识库问答的效果，通过实验证明此框架的优越性，从而提高 F1 分数。

    May, 2023

  • 知识库问答中改进的神经关系检测

    本文提出了一种通过层级循环神经网络和残差学习的知识库关系检测方法，并结合实体链接技术实现了简单问题和复杂问题的全新的知识库问答系统。实验结果表明，该方法检测性能优异且能够帮助问题回答系统取得最佳准确度。

    Apr, 2017

  • REKnow：用于联合实体和关系提取的增强型知识

    本研究提出了一种知识增强的生成模型，能够前所未有地利用知识图谱来解决关系抽取问题中的歧义，显著提高了在多个基准测试和设置下的性能表现。

    Jun, 2022

  • 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

  • 具有语义相关性感知的广义关系学习用于链接预测

    该研究提出了一种统一的关系学习框架（GRL），该框架可以插入现有的链接预测模型中，能够增强现有的链接预测模型，使其对于不平衡的关系分布和学习未见关系具有不敏感性，并能够联接语义相似的关系。

    Dec, 2020

  • EARL: 知识图谱中的实体和关系链接联合问答

    本文提出了一个名为 EARL 的框架，旨在将实体链接和关系链接作为一个联合任务来执行，实现了两种不同的解决策略：第一种策略是将联合实体和关系链接任务形式化为广义旅行商问题的一个实例，第二种策略使用机器学习利用知识图中节点之间的连接密度来预测实体和关系，评估结果表明两种策略均明显优于现有的实体和关系链接方法。

    Jan, 2018

  • 利用关系路径的混合语义进行知识图谱上的多跳问答

    本文提出了一种利用关系路径的混合语义来改善多跳知识图谱问答（KGQA）的方法，以较大程度的解决理解复杂问题的问题，通过实验证明该方法在多跳场景下的优越性。

    Sep, 2022

  • 通过关系抽取和文本证据在 Freebase 上进行问答

    本文提出一种从 Wikipedia 中提取证据丰富的关系抽取器，通过使用神经网络构建的关系提取器并结合 Wikipedia 进行验证，本方法成功地解决了现有知识型问答系统数据不足、缺乏表达力和无法回答多重约束问题等问题，并在 WebQuestions 问答数据集上取得了 53.3% 的 F1 值，比现有最先进的方法有了显著提升。

    Mar, 2016

  • 灵活结构化的知识驱动问答

    本文提出了一种使用语言模型结合知识进行基于知识的问答的方法，其中包括知识构建方法和深度融合机制，可以优雅地提取结构数据和提高模型性能。

    Sep, 2022

  • 知识库问答中关系检测的学习表示映射

    本文提出了一种名为 representation adapter 的简单映射方法，以学习先前学习的关系嵌入式的表示映射，从而改善了检测看不见的关系的性能，并在 SimpleQuestion 数据集上验证了该方法的有效性。

    Jul, 2019