ACLMay, 2023

利用抽象意义表示进行开放域问答

PDF
TL;DR文章介绍了一种将 Abstract Meaning Representation 引入 Pretrained Language Models 中的方法 Graph-as-Token（GST），用于提高 Open-Domain Question Answering 任务的性能。实验结果表明，该方法能显著提升系统的性能，并且在集成 AMRs 方面优于替代的 Graph Neural Network 方法。
open-domain question answeringpretrained language modelsabstract meaning representationnatural questionstriviaqa
发现论文，激发创造
  • 利用抽象意义表示进行知识库问答

    本文提出了一种模块化的知识库问答系统 Neuro-Symbolic Question Answering (NSQA)，它采用 Abstract Meaning Representation (AMR) parse 语义分析、简单有效的图转换方法和多个可重复使用训练模块（语义分析、实体和关系链接和神经符号推理器），避免需要端到端的训练数据，并在两个著名知识库问答数据集上（基于 DBpedia 的 QALD-9 和 LC-QuAD1.0）实现了最先进的性能，并且 AMR 是 KBQA 系统的强大工具。

    Dec, 2020

  • 利用大型语言模型的多角色能力进行面向开放领域的问答

    开放领域问答（ODQA）作为信息系统中的关键研究领域已经崛起。现有方法采用两种主要范式来收集证据：（1）“先检索然后阅读” 范式从外部语料库中检索相关文档；（2）“先生成然后阅读” 范式使用大型语言模型（LLMs）生成相关文档。然而，两者都无法完全满足证据的多方面需求。因此，本文提出了 LLMQA，一种通用框架，将 ODQA 过程分为三个基本步骤：查询扩展、文档选择和答案生成，结合了基于检索和基于生成的证据的优势。由于 LLMs 展示了在各种任务中表现出的出色能力，我们在框架中指导 LLMs 担任多个角色，作为生成器、重新排序器和评估器，集成它们在 ODQA 过程中的协作。此外，我们引入了一种新颖的提示优化算法，以改进角色扮演提示，引导 LLMs 生成更高质量的证据和答案。在广泛使用的基准测试（NQ、WebQ 和 TriviaQA）上进行的大量实验结果表明，LLMQA 在答案准确性和证据质量方面达到了最佳表现，展示了其推进 ODQA 研究和应用的潜力。

    Mar, 2024

  • 众包问答语义表示

    本文介绍了问题 - 答案意义表示（QAMRs），并采用众包方案展示了 QAMRs 可以用非常少的训练进行标记，并收集了超过 5,000 个句子和 100,000 个问题的数据集。通过详细的定性分析，证明了众包生成的问题 - 答案对涵盖了现有数据集中绝大多数谓词 - 论元关系（包括 PropBank，NomBank，QA-SRL 和 AMR 等），以及许多先前资源匮乏的关系，包括隐含论元和关系。 QAMR 数据和注释代码公开提供，以便未来研究如何最好地对这些复杂现象进行建模。

    Nov, 2017

  • 基于知识引导的开放领域问答中的文本检索和阅读

    本研究提出了一种基于知识库和相关文章文本联合的开放领域问答方法，通过检索和阅读一个包含文本段的图表结构，并采用跨相关段落传播信息的方式更新文本段落表示，从而在 WebQuestions、自然问题和 TriviaQA 三个任务的数据集上实现了 2-11% 的性能提升。

    Nov, 2019

  • 面向开放域问答的自我提示大语言模型

    本文提出了一种基于大型语言模型的自我点拨框架 (Self-Prompting framework)，使得在开放域下的问答任务 (Open-Domain Question Answering) 可以在不需要训练数据和外部知识库的情况下实现，采用该方法在三个广泛使用的 ODQA 数据集上，实验结果优于之前的最先进方法，在 EM 指标上平均提高了 8.8 个百分点，并且能够实现与多种检索增强的微调模型相比较的性能。

    Dec, 2022

  • 基于 LLMs 的增强查询和段落的开放域问答检索增强生成

    提出了一种称为问题和路径增强的简单而有效的方法，通过对原始问题进行多步子问题的扩充和规划，从而提升检索性能，以及通过语言模型生成的自我生成路径来指导答案抽取，实验证明该方案优于现有技术且在现有的检索 - 生成模型中实现了显著的性能提升。

    Jun, 2024

  • 基於可解釋的 AMR 問題分解的多跳問答

    本文提出了一种基于抽象意义表征的问题分解方法，通过将多跳问题分解成简单的子问题并按顺序回答它们，实现了可解释的推理过程。实验结果表明，这种方法在可解释的推理方面具有竞争力，并且由 QDAMR 生成的子问题形式良好，优于现有的基于问题分解的多跳 QA 方法。

    Jun, 2022

  • 鲁棒子图生成改进抽象意义表示解析

    本文提出了一种新方法，通过文本段的转换来生成 AMR 子图，从而提高 AMR 的 parsing 效果，进而提高自然语言处理和机器翻译等领域的性能表现。

    Jun, 2015

  • 用于可解释性多跳科学问题回答的动态语义图构建和推理

    提出一种基于抽象意义表示（AMR）的语义图构建方法及推理模型，能够有效地检索更多有效的知识事实以填补知识空白，并在多次推理过程中提高推理透明度。该模型在两个科学多次问答数据集中得到了最新成果，包括那些使用附加知识图谱的方法，在保持 OpenBookQA 高可解释性的同时，实现了 ARC-Challenge 新的最佳结果。

    May, 2021

  • EEE-QA：探索有效和高效的问题回答表征

    在自然语言处理的问答任务中，本文的关键方向是提高表示质量和效率，通过挑战现有的问题 - 答案编码惯例，探索更精细的表示方法，并测试了不同池化方法和知识图谱的集成对于性能的影响，结果显示这些方法在提高内存效率的同时，性能上有较小牺牲，大大增加了吞吐量。

    Mar, 2024