基于事实树推理的知识图谱 N 元问答
本文介绍了一种基于知识图谱的问答系统,采取了一种新型的深度学习架构和端到端变分学习算法,可以同时处理问题中的噪声和多跳推理,在最新的基准数据集中取得了最优表现。
Sep, 2017
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
提出了一种简单而有效的方法来检索和重新排序与问题回答相关的三元组,并将它们与问题连接以提高语言模型的表现,实验结果显示,其在常识问答和开放式书本问答数据集上均表现优于现有的最佳方法。
May, 2023
通过多跳推理,我们提出了一种与知识图中的关系类型数量成比例的方法,具有出色的可扩展性,可以用于实现多项元 QA 数据集的目的,并实现了更具挑战性的 WebQuestionsSP 的最新技术水平。
Oct, 2021
UniKGQA 是一种新的多跳知识图谱问答方法,通过统一检索和推理模型架构和参数学习,基于预训练语言模型的语义匹配模块和匹配信息传播模块进行问题与关系的语义匹配,采用共同的预训练任务和检索以及推理定向的微调策略。
Dec, 2022
提出一种基于抽象意义表示(AMR)的语义图构建方法及推理模型,能够有效地检索更多有效的知识事实以填补知识空白,并在多次推理过程中提高推理透明度。该模型在两个科学多次问答数据集中得到了最新成果,包括那些使用附加知识图谱的方法,在保持 OpenBookQA 高可解释性的同时,实现了 ARC-Challenge 新的最佳结果。
May, 2021
本文提出了一种新的基于超图的模型,用于解决知识库视觉问答中的多跳推理问题。该模型可以将高级问题的语义和知识库相结合,并通过超图内部和跨越两个超图之间的关联编码来预测答案。我们的实验证明了该方法的有效性。
Apr, 2022
本文提出了 Graph-Hop 多链式及多跳式检索和推理范式,建立了新的 Benchmark ReasonGraphQA 来支持可解释的推理,论证其在推理多样性和规模方面的优势,并在现有证据检索和推理模型上进行了彻底的评估。
May, 2023