Mar, 2022

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

PDF
TL;DR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%。
knowledge base question answeringtemporal questionsfact extractionreasoninganswer accuracy
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

  • 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

  • 基于知识库的通用且可解释的时间问答基准

    本文提出了一个基于 Wikidata 的时间问答数据集 TempQA-WD，以鼓励更多的研究在复杂推理任务方面的延伸和拓展。该数据集具有以下特点：（a）包含了中间 sparql 查询以方便基于语义解析的 KBQA 方法的评估，（b）可以推广到多个知识库，如 Freebase 和 Wikidata，（c）挑战性更强。

    Jan, 2022

  • 知识图谱上的复杂时间问答

    EXAQT 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。

    Sep, 2021

  • 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

  • 自然语言问答中的问题解答：时间表达的特殊情况

    通过在段落中找到对时间相关问题的答案，我们的工作旨在利用一种被广泛应用于一般问答的方法，即答案提取。为了训练我们的模型，我们提出了一个新的数据集，灵感来自于 SQuAD，并专门为提供丰富的时间信息进行了调整。我们选择了适应于历史上最重要冲突的文集 WikiWars。我们的评估表明，通过训练进行模式匹配的深度学习模型，可以适应于处理时间相关问题，但需要对答案直接存在于文本中的问题进行回答。

    Nov, 2023

  • 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

  • 基于知识库的时间问答系统 TEQUILA

    TEQUILA 是一个用于时间问答的方法，它可以在任何基于知识库的问答引擎之上运行。它通过四个阶段来检测问题是否有时间意图，将问题分解和重写成非时间子问题和时间限制，从潜在的基于知识库的问答引擎中检索出非时间子问题的答案，最终使用时间区间上的约束推理来计算整个问题的最终答案，与最先进的基准线相比，显示了我们方法的可行性。

    Aug, 2019

  • 异构源上的忠实时态问答

    在此研究中，我们提出了针对时态问答系统的新方法，通过可信证据强制执行时间约束条件、正确处理隐含问题，并统一处理知识库、文本和网页表格等异构数据源。实验结果表明，该方法在多个基准测试中展现出卓越的性能。

    Feb, 2024

  • 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