ACLNov, 2021

图增强的学习排序用于查询大规模知识图谱

PDF
TL;DR提出了一种基于子图分区的图增强学习排序模型，该模型整合了子图匹配网络和增强双边多角度匹配模型，用于知识图谱问答中的答案选择。在多个基准数据集上的实验结果表明，该方法具有很好的效果。
knowledge graphquestion answeringsubgraph partitioninglearning to rankanswer selection
发现论文，激发创造
  • 知识库问答中的查询图重新排名方法

    本文提出了一种新的重排方法，以更好地选择知识图谱的子图查询图形，以检索知识库问答（KBQA）中的输入问题的答案。

    Apr, 2022

  • 针对知识图谱的复杂问题回答的查询图排序学习

    本文提出一种基于自注意力机制的空槽匹配模型，用于复杂问题回答的神经查询图排名方法的实证研究，实验结果表明与其他六种排名模型相比，我们的模型在 DBpedia 知识图谱上的两个 QA 数据集中表现更好，并且通过从规模较大的数据集进行迁移学习，可以有效弥补训练数据的不足，进一步提高了模型的表现。

    Nov, 2018

  • 基于层次化查询图生成的知识图谱复杂问题回答：概述和填写

    本文提出了一种基于 AQG（一种统一的图形文法）的端到端模型，由高级解码生成用于约束搜索空间的 AQG 和底级解码构造查询图，旨在优化查询图构建过程，提高在复杂 KGQA 基准测试中的表现。

    Nov, 2021

  • 基于子图排名和联合打分的简单问答

    提出了一个统一框架来描述和分析已有的知识图谱简单问题回答方法，通过提出一种新的排名方法来改进子图选择，并提出了一个联合评分 CNN 模型，采用新的损失函数来利用主题 - 关系依赖性并实现得分的良序，从而在 SimpleQuestions 数据集上达到了新的最优表现（85.44% 的精度）。

    Apr, 2019

  • 知识库问答中更好的查询图选择

    该研究提出了一种基于语义分析的新方法，以提高知识库问答（KBQA）的性能。该方法侧重于如何从候选集中选择最佳查询图，以从知识库（KB）中检索答案，实验结果证明，该系统在复杂问题上取得了最佳表现，并在 WebQuestions 上取得了第二佳表现。

    Apr, 2022

  • KG-Rank: 基于知识图谱和排序技术增强医学问答的大型语言模型

    本研究开发了一个增强的 LLM 框架 KG-Rank，利用医学知识图谱和排名技术，旨在改善医学领域中的自由文本问答。评估结果显示，KG-Rank 在 ROUGE-L 得分上取得了超过 18% 的改进，证明了 KG-Rank 的有效性和潜力。

    Mar, 2024

  • 三元组检索的图式推理问答

    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

  • 多跳知识库问答的子图检索增强模型

    本研究提出了一种可训练的子图检索器（SR），它与后续的推理过程分离，可增强任何以子图为导向的 KBQA 模型，并通过弱监督的预训练以及端到端的微调，与 NSM 组合成为新的基于嵌入的 KBQA 方法的最新的最先进的表现。

    Feb, 2022

  • QA-GNN: 用语言模型和知识图谱进行问答推理

    该研究提出了一种新模型 QA-GNN，通过关联系统知识图和语言模型，实现对问题与答案之间的共同推理，并取得了在常识和生物医学领域 QA 测试中优于现有模型的表现。

    Apr, 2021

  • GNN-RAG：用于大规模语言模型推理的图神经网络检索

    本文介绍了 GNN-RAG，一种将 LLMs 的语言理解能力与 GNNs 的推理能力以检索增强生成（RAG）风格相结合的新方法。通过 GNN 在稠密的 KG 子图上推理，提取连接问题实体和答案候选的最短路径，将其转化为 LLM 推理的输入。实验证明，GNN-RAG 在 WebQSP 和 CWQ 这两个广泛使用的 KGQA 基准测试中取得了最先进的性能，在 7B 调整的 LLM 上胜过或与 GPT-4 性能相匹配。此外，GNN-RAG 在多跳和多实体问题上表现出色，其答案 F1 得分超过竞争方法 8.9-15.5%。

    May, 2024