使用可微分知识图谱的端到端实体解析和问答

EMNLPSep, 2021

使用可微分知识图谱的端到端实体解析和问答

End-to-End Entity Resolution and Question Answering Using Differentiable Knowledge Graphs

Armin Oliya, Amir Saffari, Priyanka Sen, Tom Ayoola

TL;DR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。

Abstract

Recently, end-to-end (E2E) trained models for question answering over knowledge graphs (KGQA) have delivered promising results using only

end-to-end question answering knowledge graphs entity resolution differentiable kgs

发现论文，激发创造

利用可微知识图交叉扩展端到端问答

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%。

Sep, 2021

知识图谱问答的变分推断

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

序列到序列的知识图谱补全与问答

本研究使用 Transformer 模型代替传统知识图谱嵌入模型 (KGE) 的原子嵌入表示，将 KG link prediction 问题转化为序列到序列任务以及使用自回归解码。相比于传统 KGE 模型，这种简单而强大的方法在保持推理时间可控的同时，将模型大小减少了多达 98％，在不进行过多超参数调整的情况下，在多个大型数据集上的表现优于基线。

Mar, 2022

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

异质知识图谱的关联问题回答

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

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

UniKGQA：基于知识图谱的多跳问答统一检索与推理

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。