Sep, 2021

知识图谱上的复杂时间问答

PDF
TL;DREXAQT 是第一个用于回答时间问题的端到端系统，可以为包含多个实体和谓词以及相关时间条件的复杂时间问题提供自然语言答案，并通过 Group Steiner Trees 和 fine-tuned BERT 模型以及时间感知的实体嵌入和关注时间关系的关系图卷积网络，提高 KG-QA 的效率和准确性。
question answeringknowledge graphstemporal intentnatural language questionsr-gcns
发现论文，激发创造
  • TempoQR: 在知识图谱上进行时间问题推理

    本文提出了一种基于嵌入感知的方法，名为 'Temporal Question Reasoning' (TempoQR)，用于回答复杂的基于时间的知识图谱问答。实验表明，TempoQR 在复杂的时间问题上比现有的先进方法提高了 25-45 个百分点，并且更好地泛化到看不见的问题类型。

    Dec, 2021

  • 关于时态知识图的问答

    本文介绍了 CRONQUESTIONS—— 最大的已知的 Temporal KGQA 数据集，通过多次实验，提出了 CRONKGQA—— 一种基于转化器的解决方案，该方案利用了 Temporal KG 嵌入的最新进展，在准确性上超越所有基线方法，相比于下一个最佳表现方法提高了 120％。

    Jun, 2021

  • 时空知识图谱的问答

    通过建立一个新的名为 STComplEx 的 STKG 嵌入方法，从问题中提取时空信息，我们的 STCQA 模型可以更好地理解问题，并从 STKG 中检索准确答案。通过广泛的实验，我们展示了我们数据集的质量和我们 STKGQA 方法的有效性。

    Feb, 2024

  • 提高基于时间知识图谱的问答时间敏感度

    本文提出了一种对时间知识图进行问答的框架，包括一个时间戳估计模块和一个考虑时间顺序的知识图嵌入编码器，能够有效地解决问题中时间相关的挑战，并且在时间知识图问答基准上获得了显著的性能提升。

    Mar, 2022

  • 基于时间知识图谱的问答预测

    本文提出了一种新的任务：在时间知识图谱上进行预测问答，同时还提出了一个大规模 TKGQA 基准数据集 ForecastTKGQuestions，用于评估 QA 模型。最终提出 ForecastTKGQA 模型来回答三种类型的问题，实验结果表明它的表现优于最新的 TKGQA 方法。

    Aug, 2022

  • 基于大型语言模型的时间知识图的两阶段生成式问答

    提出一种新颖的生成式时间知识图问答框架（GenTKGQA），通过两个阶段引导 LLMs 回答时间性问题：子图检索和答案生成。在第一个阶段，利用 LLM 的内在知识来挖掘问题中的时间约束和结构链接，从而缩小子图搜索空间。在第二个阶段，设计虚拟知识指示器将子图的图神经网络信号与 LLM 的文本表示非浅层次地融合，帮助开源 LLM 深入理解检索到的事实中的时间顺序和结构依赖关系。实验结果表明，该模型优于最先进的基准方法，甚至对于简单问题类型的指标达到 100％。

    Feb, 2024

  • 利用准知识图谱将多文献证据连接来回答复杂问题

    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

  • 从文本资源中有针对性地提取时间事实，以改善知识库上的时间问答

    本文提出了一种新颖的方法，其中使用针对特定类别问题的时间事实提取技术辅助 Knowledge Base Question Answering，以解决由于知识库不完整和实体 / 关系链接错误而无法检索所有相关事实的问题，实验结果显示，相对于传统方法，本文方法的答案准确性提高了约 30%。

    Mar, 2022

  • 时态知识图谱问答：综述

    本文从两个角度，即时间问题的分类和基于语义解析和知识图嵌入的方法论分类，对时间知识图问答（TKGQA）进行了全面概述，为该领域的发展提供了参考，并激发了进一步研究的动力。

    Jun, 2024

  • TwiRGCN: 临时加权图卷积用于时间知识图上的问答

    通过引入知识图谱中边相关时间的相关性，利用关系图卷积网络（RGCN）来解决复杂时间问题类型并显著提高精度。

    Oct, 2022