ACLMay, 2023

知识库问答中应更加关注关系探索

PDF
TL;DR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。
knowledge base question answeringentity representationrelation-guidedmulti-task schemef1 score
发现论文，激发创造
  • 异质知识图谱的关联问题回答

    通过构建一个具有相同头部或尾部实体的关系之间的边的双重关系图，我们的方法在多个公开数据集上取得了显著的性能提升，提高了实体和关系的表示能力。

    Dec, 2023

  • 知识库问答中改进的神经关系检测

    本文提出了一种通过层级循环神经网络和残差学习的知识库关系检测方法，并结合实体链接技术实现了简单问题和复杂问题的全新的知识库问答系统。实验结果表明，该方法检测性能优异且能够帮助问题回答系统取得最佳准确度。

    Apr, 2017

  • 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

  • 知识图谱和注意力有何帮助？对基于包的关系抽取的定量分析

    本文提供数据集和范例来定量评估注意力和知识图谱对于包级关系抽取的效应，发现高的准确率可能会导致更差的性能，并且性能会受到各种噪声分布模式的影响，增强型的 KG 注意力的确提高了关系抽取性能，但不是由于增强了注意力，而是通过引入实体先验知识。

    Jul, 2021

  • 一种基于注意力机制的词级交互模型：知识库问答中的关系检测

    本文提出了一种基于注意力机制的单词级交互模型，旨在缓解序列池化操作对序列信息的损失问题，从而更准确地检测知识库问答中问题与候选关系之间的关系，实验结果在两个数据集上表现出优秀的性能。

    Jan, 2018

  • 基于多视图匹配的知识库关系检测

    本文提出了一种通过多视图匹配来检测知识库关系的神经网络模型，其中利用了从问题和知识库中提取的更有用的信息。在 SimpleQuestions 和 WebQSP 上的实验取得了最先进的结果。

    Mar, 2018

  • 基于双向注意力记忆网络的知识库问答

    本文提出了一种新型的双向注意力记忆网络（BAMnet），通过直接建模问题和知识库之间的交互作用来回答自然语言问题，并使用注意机制使解释性比其他基准线更好，在 WebQuestions 基准测试中，我们的方法明显优于现有的基于信息检索的方法，并且在（手工制作的）语义解析方法基础上依然具有竞争力。

    Mar, 2019

  • 知识库复杂问题回答的调查：最新进展和挑战

    本文介绍了复杂问答（QA）的最新进展，分别从基于信息检索和神经语义解析两个方向出发，提出了未来研究的方向，并介绍了阿里巴巴团队提出的模型。

    Jul, 2020

  • 散步并到达答案：利用强化学习在知识库中推理路径

    提出了一种名为 MINERVA 的算法，采用神经强化学习方法解决在只知道一个实体的情况下，找到预测路径的困难问题，以实现知识库（KB）的完善，这种方法在多个数据集上均取得了最新成果。

    Nov, 2017

  • REKnow：用于联合实体和关系提取的增强型知识

    本研究提出了一种知识增强的生成模型，能够前所未有地利用知识图谱来解决关系抽取问题中的歧义，显著提高了在多个基准测试和设置下的性能表现。

    Jun, 2022