Feb, 2022

一个多任务半监督框架用于 Text2Graph 和 Graph2Text

PDF
TL;DR该研究提出了一种基于 T5 架构的多任务半监督环境下联合学习文本图谱提取和图谱生成的解决方案，此方法在 WebNLG 数据集中表现优于无监督最新成果，且相较于有监督模型更具一致性。
artificial intelligenceknowledge basesgraph extractiontext generationwebnlg dataset
发现论文，激发创造
  • 一个无监督的联合系统：从知识图谱和语义解析生成文本

    通过无监督文本生成的方法，本研究旨在解决知识图谱不同领域自动转换的问题，同时，为了避免短缺的领域特定数据对自动转换造成的影响，本研究还提出了一种无监督语义分析的方法。

    Apr, 2019

  • CycleGT: 通过循环训练实现无监督图到文本和文本到图生成

    运用循环生成对抗网络来进行无监督学习，同时有效解决 G2T 和 T2G 领域数据稀缺问题。

    Jun, 2020

  • INFINITY: 一种简单却有效的无监督图文相互转换框架

    提出了 INFINITY 这种简单而有效的无监督方法，该方法不需要外部注释工具或额外的并行信息，通过对预训练 seq2seq 模型的微调，INFINITY 将 G2T 和 T2G 都视为双向序列生成任务，并设计了一种基于回译的框架来自动生成连续的合成并行数据，通过利用奖励增强最大似然度的优势，采用基于奖励的训练损失来获得合理的具有结构信息的图形序列从源文本中。该完全无监督的框架在 G2T 和 T2G 任务中被实证验证优于现有最先进的基线。

    Sep, 2022

  • 从文本生成知识图谱

    提出了一种通过对文本输入进行多阶段知识图谱生成的系统，并通过使用预训练的语言模型生成图节点，然后使用简单的边构造头部来使得从文本中提取知识图谱效率更高。该模型在 WebNLG 2020 挑战数据集，New York Times（NYT）和大规模 TekGen 数据集上表现不错，超过现有基线。

    Nov, 2022

  • 使用图形 transformer 从知识图谱生成文本

    本文介绍了一种新型图形转换编码器，可处理知识图谱等非层次性图形的内容，应用于科学文本领域的图 - 文本生成，评价结果表明，该技术可以产生比竞争的编码解码方法更具信息量且结构更好的文本。

    Apr, 2019

  • 通过动态图知识聚合增强对话生成

    本研究提出了一种基于知识图增强的对话生成框架，使用层级图注意力来聚合伪节点上的图特征，并填补文本和图知识之间的语义差距，并促使语言模型更好地选择知识三元组以获得更丰富的响应。

    Jun, 2023

  • 探索基础模型的上下文学习能力，用于从文本中生成知识图谱

    通过自然语言处理中的上下文学习，自动提取命名实体及其关系，实现知识图谱自动化构建。

    May, 2023

  • 对话系统中基于知识图谱的自然语言生成

    使用知识图谱增强对话代理的准确性和全面性，但在对话时生成文本仍被认为是一项具有挑战性的任务，本文回顾了知识图谱文本生成的不同架构，包括图神经网络、图变换器和序列到序列模型，选择使用序列到序列变压器模型（PLMs）作为知识图谱到文本生成任务的模型，并探索未来多语言维度的研究方向。

    Jul, 2023

  • 基于查询的多文档摘要：将新颖主题模型与基于图的半监督学习相结合

    通过引入句子层级和主题层级的图半监督学习方法，以及利用句子和词之间的依赖关系构建主题模型，可以有效改善查询聚焦的多文档摘要的质量。经实验证明，该方法在 DUC 和 TAC 数据集上非常有效。

    Dec, 2012

  • Text2KGBench：基于本体驱动的文本知识图谱生成基准

    该研究论文介绍了 Text2KGBench 这个基准评估工具，可以评估语言模型的能力，从自然语言文本中生成知识图谱，并根据本体论从文本中提取事实。研究还提供了基准模型的结果和显示了使用语义网和自然语言处理技术，可以进一步提高模型性能的潜力。

    Aug, 2023