本文提出了一个实用的知识图谱策划框架,包括度量质量、验证和清理任务、查重和融合策略,旨在优化知识图谱质量。
Aug, 2022
知识图谱是不完全的,因为世界知识不完整且受到输入的偏见影响。本文概述了几种方法,这些方法被提出来以在这种环境下回答查询。首先,我们提供了各种查询类型的概述,这些方法可以支持这些查询类型,并介绍了用于评估的数据集以及它们的局限性。然后,我们概述了不同的方法,并描述了它们的表达能力、支持的图类型和推理能力。
Aug, 2023
该研究调查并分析了过去十年中 100 个出版物和 98 个系统的广泛评估结果, 为知识图谱问答领域提供了一个新的开放的排行榜,强调了 KGQA 系统评估中的问题,并指出可能会对未来评估有所改进。
Jan, 2022
通过创建 IQN-KGQA 测试集,从五个角度对自然度的问题进行了评估并对其进行了改写,以改进自然语言处理中 KGQA 模型的性能并解决构建大规模 KGQA 数据集的挑战。
May, 2022
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。
建立知识图谱是个具有挑战性的任务,因为需要处理提取知识中的不确定性,并且需要解决数据的可靠性和冲突问题,同时还需要确保知识图谱的质量。
May, 2024
本研究提出了 6 个可衡量知识图谱质量的结构化质量度量标准,并分析了 5 个跨领域的知识图谱。研究结果表明,优秀的知识图谱应定义详细的类和属性以便丰富地表达现实世界的知识,并且实例和 RDF 三元组应积极使用这些类和属性。因此,本文通过关注本体论的结构和使用的程度,试图从定量角度研究知识图谱的内部质量。通过分析,可以找到仅通过大小相关的指标(例如类和属性的数量)无法得知的知识图谱特征。
Nov, 2022
提出了一种基于子图分区的图增强学习排序模型,该模型整合了子图匹配网络和增强双边多角度匹配模型,用于知识图谱问答中的答案选择。在多个基准数据集上的实验结果表明,该方法具有很好的效果。
Nov, 2021
我们提出了一个名为 QGEval 的多维度评估标准,用于对生成的问题和现有的自动评估方法进行评估,涵盖了流畅度、清晰度、简洁度、相关性、一致性、可回答性和回答一致性等七个维度。通过 QGEval 的分析,我们发现大多数问题生成模型在可回答性和回答一致性方面表现不尽人意,并且现有的评估指标无法很好地与人类评估结果相吻合。我们希望这项工作能促进问题生成技术和问题生成自动评估方法的发展。
Jun, 2024
本篇论文探讨了知识图谱的构建与查询,结合深度学习、信息检索和自然语言处理等学科展开研究,提出了一些新的挑战和机会。
May, 2023