ACLJan, 2023

面向知识图谱的对话问答的语义解析

PDF
TL;DR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。
semantic parsingnatural language processingknowledge graphsparqlconversational ai
发现论文，激发创造
  • 使用动态上下文图进行对话语义解析

    本文讨论了使用动态子图和图形神经网络在上下文中交互地将用户话语映射为可执行的逻辑形式，并证明这种方法在处理对话信息方面更好。

    May, 2023

  • 评估大型语言模型用于知识图谱上的语义解析对话问答

    评估了没有在此任务上进行明确预训练的大型语言模型的性能，并通过一系列实验在广泛的基准数据集上比较了具有不同提示技术和不同大小的模型，并确定了生成输出中的常见问题类型。结果表明，大型语言模型能够从对话中生成图查询，并通过少样本提示和微调技术实现显著提升，特别是对于展现较低零样本性能的较小模型。

    Jan, 2024

  • 基于语义分段的知识图谱问答的语义解析

    该研究论文介绍了一种名为 “graph-to-segment” 的新方法，用于基于知识图谱的问题回答，专注于理解问题陈述，并通过采用基于规则和神经网络技术的语义解析，通过生成任务和图神经网络处理知识图谱的上下文，提供对问题进行语义解析和回答的高效准确性和卓越性能。

    Dec, 2023

  • 基于语义结构的知识图谱问答查询图预测

    本研究主要关注于如何从自然语言问题中构建查询图谱，提出了一种基于语义结构的 BERT 模型进行分析和预测，通过过滤噪声查询图，提高了问题解答的准确性。实验结果表明该方法比现有技术有更好的效果。

    Apr, 2022

  • 基于门控图神经网络的知识库问答语义建模

    本研究中，我们提出使用门控图神经网络来编码语义解析的图形结构，以解决学习复杂语义解析向量表示的问题。该方法在两个数据集上均优于不显式建模结构的基线模型，并通过误差分析成功处理复杂语义解析。

    Aug, 2018

  • 基于语义解析的知识库问答

    本综述探讨了基于知识库的问题回答（KBQA）的两个独特挑战，并综述了现有 KBQA 方法的解决方法，其中建议通过深度学习领域的语义分析研究成果，解决当前 KBQA 研究遇到的瓶颈，特别是在预训练语言模型的时代。

    Sep, 2022

  • 大规模知识库对话问答的多任务学习

    本论文提出了一种基于多任务学习的框架，通过引入指针设备的语义解析模型和新型类型感知实体检测模型，实现共享监督信号、减轻误差传播影响，并在大规模对话问答数据集上进行实验，将总体 F1 分数从 67％提升到 79％。

    Oct, 2019

  • 透明互动语义解析：逐步校正

    本研究研究了一种交互式语义解析框架，它可以通过自然语言一步一步地解释预测的逻辑形式，并允许用户通过自然语言反馈进行更正，主要关注问答和知识库的关系，构建了 INSPIRED 数据集，并进行了实验，有望大大提高总体解析精度。

    Oct, 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

  • 知识库问答中更好的查询图选择

    该研究提出了一种基于语义分析的新方法，以提高知识库问答（KBQA）的性能。该方法侧重于如何从候选集中选择最佳查询图，以从知识库（KB）中检索答案，实验结果证明，该系统在复杂问题上取得了最佳表现，并在 WebQuestions 上取得了第二佳表现。

    Apr, 2022