针对复杂金融主题的特定查询知识图谱
提出了一种基于知识图谱和实体关系子图的文档丰富方法,通过新的组合优化问题求解算法实现了紧凑、具有代表性和相关性的 ERG,利用本体知识对 ERG 进行排序,实现了在有效丰富的同时保证了相关性和紧凑性。
May, 2020
我们提出了一个专题特定的知识图谱构建框架,通过从特定领域的语料库中提取实体和关系,并整合上下文和本体,能够准确地构建高质量的知识图谱,解决现有知识图谱在信息粒度和及时性方面的挑战,并且相对于不同的知识图谱构建基线,在实验证明我们的框架表现出色。
Apr, 2024
本文提出了一种基于 AQG(一种统一的图形文法)的端到端模型,由高级解码生成用于约束搜索空间的 AQG 和底级解码构造查询图,旨在优化查询图构建过程,提高在复杂 KGQA 基准测试中的表现。
Nov, 2021
提出了一种简单而有效的方法来检索和重新排序与问题回答相关的三元组,并将它们与问题连接以提高语言模型的表现,实验结果显示,其在常识问答和开放式书本问答数据集上均表现优于现有的最佳方法。
May, 2023
本文描述了三代知识图谱:基于实体的知识图谱、基于文本的知识图谱和知识图谱与语言模型的集成,以及通过知识图谱演化研究思路的步骤,并展示了知识图谱在产业影响方面的技术。
Aug, 2023
本文介绍了利用基于实体和关系的数据构建知识图谱的方法以及将众包方法应用于知识图谱构建,在制造业领域中建立了一个包含 65000 + 三元组的 FabKG,并展示了区分领域特定问题和基于表达式 / 公式的问题的用例。
May, 2022
本研究旨在解决在知识图谱子图上生成自然语言问题时,信息量不足和语义漂移的问题,提出了一种名为 KTG 的知识增强的、类型约束和语法引导的 KBQG 模型,并设计了一种奖励函数来提高生成的丰富性和句法正确性,实验证明该模型在两个广泛使用的基准数据集 SimpleQuestion 和 PathQuestion 上优于现有方法。
Oct, 2020
本文介绍了知识图谱(KGs)以及其与关系知识的上下文信息的整合,重点讨论了基于三元组的 KGs 存在的局限性和上下文 KGs 的优势,并提出了 KGR$^3$,一个利用大型语言模型(LLMs)进行 KG 推理的范例,实验证明 KGR$^3$ 显著提高了 KG 补全和 KG 问答任务的性能,验证了将上下文信息整合到 KG 表示和推理中的有效性。
Jun, 2024