Mar, 2023

知识库中实体解析和查询回答的结合框架

PDF
TL;DR本文提出了一种新的框架，用于在具有元组生成依赖关系（tgds）和相等生成依赖关系（egds）作为规则的知识库（KBs）中结合实体解析和查询回答。该方法允许我们解决实体并绕过数据可能存在的不一致性，我们设计了一个适合这种新框架的 chase 过程。
entity resolutionquery answeringknowledge basesdependencieschase procedure
发现论文，激发创造
  • 驯服无限追踪：在表达完整性约束下进行查询回答

    提出了大类元组生成依赖和相等生成依赖的追赶算法思想，并以受限语言的形式表现，证明了这种情况下查询的可决策性。给出了一些具体的限制模型，并将其应用于较常见的问题，并在问题求解的复杂度方面给出了确切的界限。

    Dec, 2012

  • 使用可微分知识图谱的端到端实体解析和问答

    本文介绍了对知识图谱问题回答的端到端训练模型进行扩展，包括实体解析组件的训练，模型只需要问题文本和答案实体进行训练，在两个公共数据集上评估模型，结果接近使用手动注释实体的基线模型。

    Sep, 2021

  • 具备实体一致性的端到端任务导向对话系统与知识库检索器

    本文提出了一种新的框架，通过两个步骤查询知识库以提高生成的实体的一致性，第一步是使用 KB 检索组件检索最相关的 KB 行，以过滤 Seq2Seq 响应生成模型中的无关实体，第二步则进一步执行关注机制以解决相关的 KB 列。两种方法被提出来使训练可行，包括远程监控和 Gumbel-Softmax 技术。在两个公共数据集上进行的实验表明，我们的模型通过优于基准系统，在生成一致实体响应方面具有较好的效果。

    Sep, 2019

  • 归纳逻辑查询答案的 Prompt-fused 框架

    我们提出了一个名为 Pro-QE 的查询感知提示融合框架，它可以通过上下文信息聚合来融合现有查询嵌入方法并处理新出现实体的嵌入问题。实验证明我们的模型成功地处理了逻辑查询中的未知实体问题。

    Mar, 2024

  • 基于知识库推理的实体消歧方法改进

    提出了一种可在符号知识库中通过推理以完全可微的方式连接实体的实体消歧模型，该模型可以使用所有 KB 信息，超过六个著名实体消歧数据集中的现有模型，并在基于不常见和模糊实体的 ShadowLink 数据集中提高 12.7 F1。

    Jul, 2022

  • 个人知识图谱中的命名实体解析

    实体消解是确定两个实体是否指向相同基础实体的问题。本章将讨论在个人知识图谱（PKG）环境下的命名实体消解问题，包括问题的形式化定义、进行高质量和高效实体消解所需的组件、面临的挑战、现有技术在 PKG 中的应用、一些应用案例以及未来研究的方向。

    Jul, 2023

  • 知识库问答中应更加关注关系探索

    本文提出了一种新的 RE-KBQA 框架，利用知识库中的关系来增强实体表示并引入额外的监督方法以提高知识库问答的效果，通过实验证明此框架的优越性，从而提高 F1 分数。

    May, 2023

  • 探索然后确定：用于知识图谱推理的 GNN-LLM 协同框架

    此论文提出了一个 Explore-then-Determine（EtD）框架，将 Large Language Models（LLMs）与图神经网络（GNNs）相结合，用于在知识图谱上进行推理。在 Explore 阶段，使用轻量级 GNN 探索有希望的候选项和与问题相关的细粒度知识，而在 Determine 阶段，利用探索的信息构建一个知识增强的多项选择提示，指导冻结的 LLM 确定最终答案。对三个基准 KGQA 数据集进行的大量实验表明，EtD 实现了最先进的性能并生成了忠实的推理结果。

    Jun, 2024

  • 利用关系路径的混合语义进行知识图谱上的多跳问答

    本文提出了一种利用关系路径的混合语义来改善多跳知识图谱问答（KGQA）的方法，以较大程度的解决理解复杂问题的问题，通过实验证明该方法在多跳场景下的优越性。

    Sep, 2022

  • 用于复杂查询答案的神经符号纠缠框架

    提出了一种神经符号交织的（ENeSy）复杂查询答案框架，该框架能够在神经和符号推理结果的基础上分别回答和集成查询，通过压缩和整合基本运算符和链接预测提高了复杂查询的效果，并应用于多项基准测试。

    Sep, 2022