利用推理链进行多跳科学问答

EMNLPSep, 2021

Exploiting Reasoning Chains for Multi-hop Science Question Answering

Weiwen Xu, Yang Deng, Huihui Zhang, Deng Cai, Wai Lam

TL;DR提出一种无需语料库特定注释的 Chain Guided Retriever-reader（CGR）框架，通过生成由语义图构建的推理链，提高多跳科学问答的可解释性和性能，采用增强学习训练检索器，并设计了适用于本地和全局链信息的 Chain-aware loss 作为培训的远程监督信号。

Abstract

We propose a novel Chain Guided Retriever-reader ({\tt CGR}) framework to model the reasoning chain for multi-hop science question answering. Our framework is capable of performing explainable reasoning without t

science question answering cgr framework reasoning chain reinforcement learning explainability

发现论文，激发创造

基于推理链的多跳问答

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

追溯证据：构建基于知识的推理链用于检索增强生成

TRACE 利用知识图谱和推理链的构建提升了多跳推理能力，通过利用检索文档中的支持证据回答问题，平均提升了 14.03% 的性能，并表明仅使用推理链作为上下文通常足以正确回答问题。

Jun, 2024

学习在维基百科图上检索推理路径用于问答

介绍了一种基于图形的循环检索方法，学习在 Wikipedia 图形上检索推理路径来回答多跳开放域问答问题。该方法在三个开放域 QA 数据集上实现了最新技术成果，特别是在 HotpotQA 中表现出显著的改进，超过了以前最好的模型 14 个百分点以上。

Nov, 2019

文本数据库中的图遍历检索和推理

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

ReasonChainQA：基于文本的复杂问答解答，具有可解释的证明链

提出了一个新的具有说明和明确证据链的质量高的文本证据复杂问题回答基准 ReasonChainQA，包含具有不同深度的多跳问题，12 种推理类型和 78 种关系。

Oct, 2022

用于可解释性多跳科学问题回答的动态语义图构建和推理

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

多重思维链元推理问答

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

利用结构化信息进行可解释的多跳问题回答和推理

构建和利用语义结构的多跳问题回答框架，通过神经模型和连续思维机制提高推理能力，并结合信息抽取和提取的语义结构实现更准确和可解释的问题回答。

Nov, 2023

多跳阅读器是否梦想推理链？

本文系统分析了多篇文章 QA 任务的多跳推理能力，在提供额外证据段落的情况下，对现有面向多跳阅读的方法进行了改进，并提出了基于匹配的方法，表明进行显示多跳推理可以提高 QA 任务的执行效果，推荐开发更好的推理模型。

Oct, 2019

基于多跳关系推理实现可扩展的知识感知问答

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