处理维基数据限定词的推理
本文旨在研究 Wikidata 是否支持类比推理,发现 Wikidata 中关键的联合信息通常缺失或模型不一致,需要大量的人工工作才能用于类比分类,同时提出了一组指标来指导自动从 Wikidata 中提取类比的方法。
Oct, 2022
本研究调查了 Wikidata 中是否包含与现有常识源不同的常识知识,并通过三个指导原则生成了 Wikidata 的常识子图。实验发现,尽管 Wikidata-CS 表示 Wikidata 的一小部分,但它是包含相关常识知识的指示器,可以映射到 15 个 ConceptNet 关系;Wikidata-CS 与其他常识源的重叠很小,需要进行知识集成和质量改进。基于这些发现,我们提出了三个长期改进建议。
Aug, 2020
本研究通过将定性关系任务分类成预测和比较两种类型,并采用端到端训练的神经网络模块来模拟这两种推理过程,实验结果在两个问答数据集 QuaRTz 和 QuaRel 上展示了我们方法的有效性和泛化能力,并提供模块的中间输出来使推理过程更容易解释。
Jun, 2021
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
本文提出了一种基于数量推理的复杂逻辑查询解答方法,使用 Number Reasoning Network 框架来分别编码实体和数值,实现了关于数值和实体值的不同处理后,有效地解答了问题,并在三个不同的知识图上获得了最新的状态
Jun, 2023
基于问题回答技术,本研究提出了一个能从网页中提取新事实并推荐给 Wikidata 编辑人员验证的框架,并通过利用 Wikidata 中已有的信息,无需额外学习信号便可训练该框架来提取各种属性和领域的新事实,实验结果表明平均 F1 得分为 84.07,在人类验证之前,有潜力提取数百万条事实,旨在帮助编辑人员的日常任务,完善 Wikidata 知识图谱。
Jan, 2024
本文介绍了如何使用一组 “公理模式” 将传统本体论建模与 Wikibase 平台结合起来,以弥合范式差异,以及对历史数据进行使用指南和示例。
May, 2022
本文提出了 LitCQD,一种用于回答具有数字文字值的多跳复杂查询的方法,该方法可回答具有数字答案或满足数字约束的实体答案的查询。
Apr, 2023