Oct, 2022

知识图谱对话问答中的对比表示学习

PDF
TL;DR通过对话历史和领域信息进行对比表示学习，本文提出了一种基于对比表示学习的方法，用于无需黄金注释的弱监督下进行知识图谱路径排名。 实验结果表明，该方法在所有领域和整体上显着优于现有基线，排名指标相对于现有技术表现提高了 10 到 18 个百分点。
conversational question answeringknowledge graphssupervision-based learningcontrastive representation learningpath ranking
发现论文，激发创造
  • 基于知识图谱的对话式问答系统

    我们提出了一个基于强化学习模型的 CornNet，该模型利用大型语言模型生成的问题重述来改进对知识图谱中的多轮自然语言问题的回答，实验证明 CornNet 优于现有的 ConvQA 模型。

    Dec, 2023

  • 对话问答知识图谱中的改述式强化学习

    本研究提出了一种基于强化学习的模型 CONQUER，能从包含噪声的问题改写中学习如何回答自然语言问题，并在新提出的基准测试集 ConvRef 上展示了显著的性能提升。

    May, 2021

  • 对话问答模型的强化重述生成之稳健训练

    通过我们提出的 REIGN 框架，我们通过多种步骤来解决面对表面形式变化的局限性学习环境，其中包括系统生成训练问题的改写，通过深度强化学习改善问答模型的性能，以及在一个基准测试集上训练模型并应用于另一个。我们通过大量多样的改写生成评测数据的方式对训练模型的鲁棒性进行了严格评估，结果显示，通过改写生成的训练方法的对话问答模型明显优于只使用金标准问答对进行标准训练的模型。

    Oct, 2023

  • 知识图谱问答的变分推断

    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

  • 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

  • 面向知识图谱的对话问答的结构化上下文和高覆盖率语法

    使用神经语义分析方法解决大型知识图库上的弱监督会话问答问题，引入了一种新的逻辑形式语法并使用基于 transformer 的模型将 JSON 输入转换为嵌入列表，最后在两个基于 Wikidata 的数据集上验证了该方法。

    Sep, 2021

  • 基于知识图谱的对话问答强化学习

    使用强化学习方法解决基于法律知识库的多轮问答中输入问题含糊不清的问题，测试结果证明了该方法的有效性。

    Jan, 2024

  • 复杂的连续问答：学习在知识图谱上对话问答对

    本文提出了一个任务，即 Complex Sequential QA，它结合了回答简单事实性问题和通过一系列有逻辑的问答匹配进行会话来进行复杂推理，本文也介绍了关于这个任务所需数据集，以及目前现有的模型在处理实际场景中还存在的不足。

    Jan, 2018

  • 面向知识图谱的对话问答答案表达数据集

    本文介绍了一个新的数据集，用于在知识图谱上进行口头回答的对话式问答。该论文通过扩展现有的多轮对话式问答数据集，包括多个释义的口头回答，提供了新的贡献，并使用五个序列到序列模型进行了实验，同时保持语法的正确性。我们还进行了误差分析，详细说明了模型在指定类别中的误差率。我们提议将答案口头化的数据集公开，并详细说明其使用，以便广泛使用。

    Aug, 2022

  • ReaRev: 知识图谱问答的自适应推理

    该论文提出了一种名为 ReaRev 的 KGQA 推理方法，旨在提高指令解码和执行的效率，通过自适应更新初始指令以及使用图神经网络模拟广度优先搜索策略，该方法在三个 KGQA 基准测试中得到了比目前最先进的方法更好的表现，特别是在处理复杂问题或不完整知识图谱时。

    Oct, 2022