Mar, 2023

GETT-QA：基于图嵌入的 T2T Transformer 在知识图谱问答中的应用

PDF
TL;DR提出了一种基于 T5 模型的知识图谱问答系统 GETT-QA, 它能够自然语言输入问题并在简化后产生意图的 SPARQL 查询，通过对实体和关系的标签进行解释，并利用截断 KG 嵌入进一步优化结果，在 Wikidata 数据集下获得了强有力的端到端 KGQA 性能.
knowledge graphquestion answeringt5sparqlwikidata
发现论文，激发创造
  • 关系感知语言 - 图变换器用于问答

    提出了一种可以利用 KG 丰富的关系信息和 LM 之间有限的交互方式，联合处理自然语言和图表信息的方法，并通过 CommonsenseQA 和 OpenBookQA 等数据集的验证，在所有数据集上都取得了最先进的性能。

    Dec, 2022

  • 答案候选类型选择：封闭式问答文本到文本语言模型遇到知识图谱

    在这篇论文中，我们介绍了一种在预训练的 Text-to-Text QA 系统基础上解决问题的简单而有效的方法，通过基于 Wikidata 的 instance_of 属性对生成的候选答案进行过滤和重新排序，从而解决了模型能力有限且对于不太受欢迎实体的质量降低的问题。

    Oct, 2023

  • Query2Triple: 统一查询编码以回答知识图谱上的多样复杂查询

    通过将训练分为两个阶段，分别在简单查询和复杂查询上进行训练，我们提出了一种名为 Q2T 的新方法，通过预测尾部实体来进行简单查询的预训练，并在复杂查询上训练查询编码器，将不同的复杂查询编码为统一的三元组形式，从而在不需要显式建模神经集合运算符的情况下，在三个公共基准测试上实现了最先进的性能。

    Oct, 2023

  • 检索 - 改写 - 回答：一种对知识图谱问题回答增强语言模型的框架

    尽管大型语言模型在知识密集型任务上表现出竞争力，但它们仍存在于记忆所有世界知识，尤其是长尾知识方面的局限性。本文研究了用于解决知识图谱问答任务的知识图增强语言模型方法。基于回答敏感的 KG-to-Text 方法，我们提出了一种将 KG 知识转化为对 KGQA 最有信息量的文本化陈述的方法，并基于此方法提出了一种 KG-to-Text 增强的 LLMs 框架来解决 KGQA 任务。在几个 KGQA 基准测试上的实验证明了所提出的 KG-to-Text 增强 LLMs 方法在回答准确性和知识陈述的有用性方面优于先前的 KG 增强 LLMs 方法。

    Sep, 2023

  • 序列到序列的知识图谱补全与问答

    本研究使用 Transformer 模型代替传统知识图谱嵌入模型 (KGE) 的原子嵌入表示，将 KG link prediction 问题转化为序列到序列任务以及使用自回归解码。相比于传统 KGE 模型，这种简单而强大的方法在保持推理时间可控的同时，将模型大小减少了多达 98％，在不进行过多超参数调整的情况下，在多个大型数据集上的表现优于基线。

    Mar, 2022

  • TempoQR: 在知识图谱上进行时间问题推理

    本文提出了一种基于嵌入感知的方法，名为 'Temporal Question Reasoning' (TempoQR)，用于回答复杂的基于时间的知识图谱问答。实验表明，TempoQR 在复杂的时间问题上比现有的先进方法提高了 25-45 个百分点，并且更好地泛化到看不见的问题类型。

    Dec, 2021

  • 基于知识库的知识增强、类型约束和语法引导的问题生成

    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

  • 基于大型语言模型的时间知识图的两阶段生成式问答

    提出一种新颖的生成式时间知识图问答框架（GenTKGQA），通过两个阶段引导 LLMs 回答时间性问题：子图检索和答案生成。在第一个阶段，利用 LLM 的内在知识来挖掘问题中的时间约束和结构链接，从而缩小子图搜索空间。在第二个阶段，设计虚拟知识指示器将子图的图神经网络信号与 LLM 的文本表示非浅层次地融合，帮助开源 LLM 深入理解检索到的事实中的时间顺序和结构依赖关系。实验结果表明，该模型优于最先进的基准方法，甚至对于简单问题类型的指标达到 100％。

    Feb, 2024

  • 三元组检索的图式推理问答

    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

  • QA-GNN: 用语言模型和知识图谱进行问答推理

    该研究提出了一种新模型 QA-GNN，通过关联系统知识图和语言模型，实现对问题与答案之间的共同推理，并取得了在常识和生物医学领域 QA 测试中优于现有模型的表现。

    Apr, 2021