Grape: 基于知识图谱的阅读器，用于开放域问答

EMNLPOct, 2022

Grape: 基于知识图谱的阅读器，用于开放域问答

Grape: Knowledge Graph Enhanced Passage Reader for Open-domain Question Answering

Mingxuan Ju, Wenhao Yu, Tong Zhao, Chuxu Zhang, Yanfang Ye

TL;DR针对开放领域问答模型的检索 - 阅读器管道方法容易出现阅读器性能较差的问题，本研究提出了一种基于知识图谱的阅读器，即 Grape，并通过构建本地二分图，采用图神经网络来学习关系知识，并将图和上下文表示融合到阅读器模型的隐藏状态中，实验表明这种方法的性能可以比已有的方法提高 2.2 个精确匹配分数。

Abstract

A common thread of open-domain question answering (QA) models employs a retriever-reader pipeline that first retrieves a handful of relevant passages from Wikipedia and then peruses the passages to produce an answer. However, even state-of-the-art readers fail to capture the complex re

open-domain question answering retrieval-reader pipeline knowledge graph graph neural network entity embeddings

发现论文，激发创造

基于知识引导的开放领域问答中的文本检索和阅读

本研究提出了一种基于知识库和相关文章文本联合的开放领域问答方法，通过检索和阅读一个包含文本段的图表结构，并采用跨相关段落传播信息的方式更新文本段落表示，从而在 WebQuestions、自然问题和 TriviaQA 三个任务的数据集上实现了 2-11% 的性能提升。

Nov, 2019

GrapeQA：增广和修剪图形以加强问答

GrapeQA 是一种基于语言模型的 Commonsense QA 方法，采用知识图谱以及图神经网络进行推理，提出了 Prominent Entities for Graph Augmentation 和 Context-Aware Node Pruning 两个简单的改进方法来解决捕捉 QA 信息和去除无关节点的问题，并在 OpenBookQA、CommonsenseQA 和 MedQA-USMLE 上展示出比 QA-GNN 更出色的结果。

Mar, 2023

利用知识库和文本的早期融合进行开放领域问答

该论文提出了一种新模型 Graft-Net，应用于 Open Domain Question Answering 问题，该模型结合了文本和知识库并利用子图表示法以提高效率和准确度

Sep, 2018

用图引导的多轮检索方法解决面向对话的开放领域问答

本文提出了一种基于图模型和关联反馈的检索方法，用于连续的问答交互中提高检索效率和准确性。实验结果显示，与当前流行的方法相比，该方法大幅提高了问题回答的 F1 得分。

Apr, 2021

可扩展开放领域问答的多步检索器和阅读器交互

该论文介绍了一种新的开放域问答框架，其中检索器和阅读器相互迭代交互，引入了多步推理机制，有助于从长度为百万级的语料库中检索信息性段落，并应用于不同的问答数据集和模型中均取得了一致性的提升。

May, 2019

R$^3$: 强化学习阅读器 - 排名器用于开放领域问答

本文提出了一种基于神经网络和增强学习的新型开放领域问答系统，通过信息检索结合阅读理解模型对大规模语料库进行查询，显著提高了多个数据集的表现。

Aug, 2017

全局归一化阅读器

通过迭代式搜索及全局归一化决策的神经网络，提出了可提取答案的问答系统并进行了数据增强及实验优化。

Sep, 2017

UnitedQA: 开放领域问答的混合方法

本文研究了一种混合的提取式和生成式阅读器方法，以及如何结合这两种方法进行问答。我们通过一些新技术对预训练的神经语言模型进行了改进，证明了这种方法比以前最先进的模型效果更好，取得了 3.3 和 2.7 的提升。

Jan, 2021

开放域问答阅读器能像人类一样高效地利用外部知识吗？

通过对外部知识进行动态阅读的方法，结合模型参数内已有知识的‘封闭阅读’和结合‘开放阅读’的方式，有效提升了开放域问答模型的推理效率和预测准确率。

Nov, 2022

G-Retriever：文本图理解与问答的检索增强生成

给定具有文本属性的图，我们使用对话界面使用户能够与其图进行交流，在回答用户问题时提供文本回复并突出显示图的相关部分。通过开发我们的图问题回答（GraphQA）基准和集成 GNN、LLM 和 RAG 的 G-Retriever 方法，我们在多个领域的文本图任务中超越基准，而且可以适应更大的图大小并抗幻觉。

Feb, 2024