Apr, 2023

LitCQD：使用数字文本处理不完整知识图谱中的多跳推理

PDF
TL;DR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。
knowledge graphscomplex queriesliteral valuesmulti-hopquery answering
发现论文，激发创造
  • 实体和数值知识图谱推理

    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

  • SQALER: 通过分离多步问题和逻辑推理实现问答的扩展

    通过多跳推理，我们提出了一种与知识图中的关系类型数量成比例的方法，具有出色的可扩展性，可以用于实现多项元 QA 数据集的目的，并实现了更具挑战性的 WebQuestionsSP 的最新技术水平。

    Oct, 2021

  • 文本数据库中的图遍历检索和推理

    本文提出了 Graph-Hop 多链式及多跳式检索和推理范式，建立了新的 Benchmark ReasonGraphQA 来支持可解释的推理，论证其在推理多样性和规模方面的优势，并在现有证据检索和推理模型上进行了彻底的评估。

    May, 2023

  • 超关系知识图谱上的查询嵌入

    本文介绍了如何利用 Graph Neural Networks 来嵌入和回答超关系连接查询，以处理新型复杂查询，同时提出了一种提高查询效率的方法，并在实验证明 Qualifier 可以在多种查询模式下提高查询效果。

    Jun, 2021

  • 提升知识图谱中多跳逻辑推理的上下文感知查询表示学习

    通过全面整合 FOL 查询图的上下文，我们提出了一种模型不可知的方法，增强了现有的多跳逻辑推理方法，在两个数据集上的实验中，我们的方法始终提升了三个多跳推理基准模型的性能，最高可达 19.5%。

    Jun, 2024

  • UniKGQA：基于知识图谱的多跳问答统一检索与推理

    UniKGQA 是一种新的多跳知识图谱问答方法，通过统一检索和推理模型架构和参数学习，基于预训练语言模型的语义匹配模块和匹配信息传播模块进行问题与关系的语义匹配，采用共同的预训练任务和检索以及推理定向的微调策略。

    Dec, 2022

  • 询问以理解：多跳问答问题生成

    本文提出了一种基于问题生成的新型多跳问答方法，通过精心设计端到端的 QG 模块，在上下文理解中提出内在逻辑子问题，从而继承了 QD 方法的可解释性并表现出较高的性能。实验证明，我们提出的 QG 模块是有效的，在流畅性、一致性和多样性方面优于 QD 方法，并获得了人工评估的定量可解释性。

    Mar, 2022

  • 利用准知识图谱将多文献证据连接来回答复杂问题

    该论文介绍了一种名为 QUEST 的方法，该方法通过计算来自不同文档的部分结果的相似度连接，从而直接从文本源中回答复杂问题。

    Aug, 2019

  • 将神经链接预测器应用于复杂查询回答

    本文提出了 CQD$^{A}$，即通过训练参数高效的分数调整模型来重新校准神经链接预测分数，从而解决了 CQD 方法中的问题，大大提高了结果的准确性，同时具有数据效率和鲁棒性。

    Jan, 2023

  • 联邦复杂查询回答

    利用联邦学习在多源知识图谱上进行复杂查询回答任务，避免敏感原始数据传输以保护隐私。

    Feb, 2024