语义网支持的地理问题回答框架: GeoTR
本文提出了一种基于自然语言问题的问答引擎,用于处理大量地理空间数据的查询,该引擎可以对连接的地理空间数据源进行查询,采用 SPARQL 或 OGC 标准扩展 GeoSPARQL,研究者们可以使用我们提供的 201 个自然语言问题数据集来评估该引擎的性能。
Jul, 2020
本文提出了一种基于 SPARQL 查询的多语言语义 Web 知识库问答(QA)方法,能够查询多个知识库,可轻松移植到其他知识库和语言。通过对五个不同的知识库和五种语言的评估,证明了该方法的影响。
Mar, 2018
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
本文介绍了使用自然语言处理技术的语义解析器,将用户的自然语言问题转化为有形式定义的查询语句,通过大规模知识图谱实现。作者提供了一个数据集,其中,用户问题采用 Sparql 语言解析,并对执行结果对系统回答进行注释。通过两种不同的语义解析方法,我们提出了挑战:如何处理大规模词汇,如何建模对话语境,如何处理多实体查询语句,并实现对新问题进行泛化。作者希望我们的数据集能够为开发会话式语义解析器提供有效的测试平台。本文的数据集和模型已经发布,详情请见链接。
Jan, 2023
本文提出了一种称之为 Neural SPARQL Machines 的神经网络模型,该模型通过 seq2seq 训练模式将自然语言翻译成 SPARQL 查询,从而提高 Linked Data Cloud 上的问题搜寻效率。
Aug, 2017
通过建立一个新的名为 STComplEx 的 STKG 嵌入方法,从问题中提取时空信息,我们的 STCQA 模型可以更好地理解问题,并从 STKG 中检索准确答案。通过广泛的实验,我们展示了我们数据集的质量和我们 STKGQA 方法的有效性。
Feb, 2024
我们的研究致力于通过自然语言处理工具和创意鼓励来解决大众用户查询知识图谱的问题,我们的方法是通过正确的实体链接和训练 GPT 模型从自然语言问题中创建 SPARQL 查询,我们获得了在测试中 3 次查询命中准确度为 62.703%,实体链接挑战的 F1 值为 0.809,问题回答挑战的 F1 值为 0.009。
Feb, 2024
本文描述了一种通用的框架用于表示和处理具有注释的语义 Web 数据,包括其语言、演绎系统和查询回答问题。通过实例化它,我们显示了以前关于特定 RDF 注释域的贡献被我们的统一推理形式所包含。此外,我们提供了一种通用方法,用于组合多个注释域,从而允许表示临时注释的模糊 RDF 等。同时,我们还开发了一种查询语言 AnQL,并提供了其语义的形式定义。
Mar, 2011
本文提出了一个自然语言文本中空间推理的问答基准,其中包含更现实的空间现象,并且挑战最先进的语言模型。我们提出了一种远距离监督方法来改善这个任务。具体来说,我们设计语法和推理规则来自动生成视觉场景的空间描述和相应的问答配对。实验证明,进一步预训练语言模型对这些自动生成的数据显著提高了语言模型对空间理解的能力,从而有助于更好地解决两个外部数据集,即 bAbI 和 boolQ。我们希望这项工作能够推动更复杂的文本空间推理模型的研究。
Apr, 2021