EMNLPOct, 2022

UniRPG：基于表格和文本的统一离散推理生成程序

PDF
TL;DR本文提出 UniRPG—— 一种基于 Semantic Parsing 的方法用于 Knowledge 中的离散推理，包括算术计算，比较和计数，以及属于表格和文本等异构知识资源；UniRPG 结合了神经程序员和符号程序执行器来执行程序生成和回答问题。
question answeringsemantic parsingdiscrete reasoningneural programmertable and text
发现论文，激发创造
  • 面向无监督复杂表格推理的统一框架

    本文提出了一种适用于表格推理任务的统一的无监督框架（UCTR），该框架通过生成复杂逻辑的充足和多样化的合成数据，使得模型能够在无人标注数据的情况下获得良好的推理性能。该方法在实验中表现出了与监督模型最多 93% 的性能，并在低资源领域作为数据增强技术大幅提高了监督性能。

    Dec, 2022

  • NAPG: 混合表格 - 文本问答非自回归程序生成

    通过提出一种非自回归程序生成框架，可以同时独立生成包含运算符和操作数的完整程序元组，从而显着提高程序生成速度，同时解决了误差积累问题，实验结果显示在 MultiHiertt 数据集上，我们的模型比强基准模型有很大的改进（+7.97EM 和 + 6.38F1 分），并且在程序生成方面速度更快（21 倍），同时我们的方法在增加数值推理步骤的情况下性能的下降也显着小于基线模型。

    Nov, 2022

  • Uni-Parser: 知识库和数据库问答的统一语义分析器

    本文介绍了 Uni-Parser，一种用于问答（QA）的统一语义解析器，旨在应对知识库（KB）和数据库（DB）中的结构化数据，通过引入原语的概念，使得候选逻辑形式数量线性增长，避免了指数级增长和泛化问题，并且实现了与原语不同操作的复杂逻辑形式的生成和预测，通过对比原语排名器的修剪，增强了其泛化能力，实现了在多个 KB 和 DB QA 基准测试中更为高效和有竞争力的结果，特别是在组合和零 - shot 设置方面。

    Nov, 2022

  • HopPG：针对异构知识进行多跳问答的自迭代程序生成

    我们提出了一个自我迭代的多跳程序生成框架（HopPG），用于异构知识上的多跳程序生成，它利用前一跳的执行结果来检索支持事实并迭代生成后续程序。我们在 MMQA-T^2 上评估了我们的模型，实验结果表明 HopPG 在多跳问题上优于现有的语义解析基线模型。

    Aug, 2023

  • 统一化连续终身学习问句生成

    提出了一种名为 Unified-QG 的模型，它基于终身学习技术，可以跨不同数据集和格式不断地学习 QG 任务，并用 STRIDER 方法来减轻连续 QG 学习中的灾难性遗忘，实验证明 Unified-QG 可以有效地适应 QG 任务，提高 QA 系统性能。

    Jan, 2022

  • Doc2SoarGraph: 基于语义导向的分层图表集成模型在文本 - 表格视觉丰富文档的离散推理中的应用

    本研究提出一种基于语义导向的分层图结构的 Doc2SoarGraph 框架，旨在通过利用问题和文档中不同元素（如数量、日期）之间的差异和相关性来增强离散推理能力，以回答视觉丰富的表文档中的问题。实验结果显示，我们的框架在 TAT-DQA 数据集上表现出优异的性能，相较于最佳基线模型，精确匹配和 F1 得分分别提高了 17.73% 和 16.91%，达到了最新的最佳水平。

    May, 2023

  • 学习数据合成以用于语义解析

    本篇论文提出了一种生成模型，该模型具有模拟编程语言的组合结构的 PCFG 模型和将编程转化为语句的 BART 模型，能够有效且高效地从现有的数据中学习，并且能够探索多样化的未知数据，通过在 GeoQuery 和 Spider 标准基准测试中的实验结果表明，该模型合成的数据可以大大帮助语义解析器实现更好的组合性和领域泛化。

    Apr, 2021

  • 知识图谱通用问答平台

    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

  • UNIQORN: 基于 RDF 知识图谱和自然语言文本的统一问答

    UNIQORN 是一个基于图形方法的系统，它能够在混合的 RDF 数据和文本语料库以及单独的信息源中无缝地进行操作，该方法通过使用细化的 BERT 模型从 RDF 数据和文本语料库中检索与问题相关的证据来实时构建上下文图，然后使用基于图算法的 Group Steiner Trees 来确定上下文图中最佳答案候选项，实验结果表明其显著优于现有的异构数据源 QA 方法。

    Aug, 2021

  • UniK-QA: 面向开放域问答的结构化和非结构化知识统一表示

    该研究致力于利用结构化、非结构化和半结构化知识来源（如文本、表格、列表和知识库）进行开放域问题回答，并提出了统一的方法，将它们转化为文本并采用检索 - 阅读器模型，从而大大提高了在知识库问题回答任务上的表现，并将异构知识来源融合成一个简单且有效的统一知识模型，并在两个流行的问答基准测试中（自然问题和网络问题）继续提高最新的图形方法等级，分别为 3.5 和 2.6 点。

    Dec, 2020