利用可微知识图交叉扩展端到端问答

EMNLPSep, 2021

Expanding End-to-End Question Answering on Differentiable Knowledge Graphs with Intersection

Priyanka Sen, Amir Saffari, Armin Oliya

TL;DR该论文提出了一种新的模型，使用可微的知识图来回答多个实体问题，并通过引入交集操作来提高性能。研究结果表明，该模型可在两个数据集上提高性能，特别是在多实体问题上，相比基准模型提高了 14% 至 19%。

Abstract

End-to-end question answering using a differentiable knowledge graph is a promising technique that requires only weak supervision, produce

发现论文，激发创造

本文介绍了对知识图谱问题回答的端到端训练模型进行扩展，包括实体解析组件的训练，模型只需要问题文本和答案实体进行训练，在两个公共数据集上评估模型，结果接近使用手动注释实体的基线模型。

Sep, 2021

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

该论文介绍了一种名为 QUEST 的方法，该方法通过计算来自不同文档的部分结果的相似度连接，从而直接从文本源中回答复杂问题。

Aug, 2019

本研究提出一种针对知识图谱（如 DBpedia）自动生成知识问题的方法，通过使用端到端的方法，包括实体选择、三元组查询、答案选择和自然语言问句生成，并使用历史数据和训练分类器来估计问题难度。最后的实验证明了这种方法的可行性。

Oct, 2016

该研究提出了一种将多种知识源集成起来的问题回答方法，着重利用基于图的迭代知识检索模块和答案感知的注意机制，从多个知识源中检索和综合背景知识，并在 CommonsenseQA 数据集上实现了最优的表现。

Nov, 2020

通过构建一个具有相同头部或尾部实体的关系之间的边的双重关系图，我们的方法在多个公开数据集上取得了显著的性能提升，提高了实体和关系的表示能力。

Dec, 2023

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

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

本文提出了一种基于无监督消息传递的复杂知识图谱问答方法，通过识别问题类型，并在图结构中传递置信度分数来进行答案实体的定位和聚合，其在 LC-QuAD 基准测试中表现优于现有方法，具有较高的实现效率和通用性。

Aug, 2019

本文提出了一种基于知识库和维基百科文本的异构证据自动提取方法以回答常识问题，通过构建图形结构并使用图形卷积网络对邻居信息进行编码并利用图形注意力机制聚合证据来预测最终答案，成功地提高了 CommonsenseQA 数据集上的准确性达到了最先进水平。

Sep, 2019