评价和改进知识图谱问答问题自然性的度量方法
本研究提出一种算法,利用数据集转换技术从长的 Trivia 问题转化为类似于日常人类交流的较短问题的方式,自动生成自然问题(NQ)数据集中的问题,同时使用神经分类器检测并去除不合法的问题,从而生成高质量的数据集,提高了 QA 表现,该算法在低资源环境下使用,扩展了 QA 系统的规模,同时保持了训练数据的质量。
Oct, 2022
本文提出了 KGQAn,一个通用的 QA 系统,它不需要为每个目标 KG 进行定制,而是采用一种新颖的形式化方法将问题理解为一个文本生成问题,并通过神经序列到序列模型将问题转换为中间抽象表示。我们还开发了一个即时链接器,在查询时间使用 RDF 存储的公共可访问 API 和现有索引将抽象表示映射到特定 KG 的 SPARQL 查询,而无需任何预处理。我们在几个真实的 KG 上进行的实验表明,KGQAn 易于部署,对于任意的 KG 表现良好,优于现有的 QA 系统。
Mar, 2023
本文提出了一种利用经典逻辑编程语言来装备大型语言模型(LLMs)的方法,以在知识图谱(KG)上回答自然语言问题,从而提供可解释性解决方案。作者使用 MetaQA 数据集证明了该方法的有效性。
Mar, 2023
该研究分析了 25 个已知的知识图谱上的 5 种不同知识图谱的数据集以及现有方法对于知识图谱问答的泛化能力不足的问题,提出了一种无需成本和手动努力就能重新拆分 KGQA 数据集以评估泛化能力的缓解方法,并在三个数据集上进行了实验证明了其有效性。
May, 2022
本论文提出了一种新型问题表示方式:模板,应用于十亿级别的知识库和百万级别的问答数据。通过学习用于特定目的的模板,系统 KBQA 可以有效地回答基础性问题和复杂问题,并在 QALD 基准测试中胜出其他工作。
Mar, 2019
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
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
本文介绍了如何使用 Amazon Alexa 语音界面对知识图谱进行问答。以包含 113 万个基因 - 疾病关联的 DisgeNET KG 为例,研究表明 Alexa 可以帮助从大规模知识库中查找有关某些生物实体的信息。
Oct, 2022