三元组检索的图式推理问答
本文介绍了一种基于知识图谱的问答系统,采取了一种新型的深度学习架构和端到端变分学习算法,可以同时处理问题中的噪声和多跳推理,在最新的基准数据集中取得了最优表现。
Sep, 2017
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
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
本文介绍了知识图谱(KGs)以及其与关系知识的上下文信息的整合,重点讨论了基于三元组的 KGs 存在的局限性和上下文 KGs 的优势,并提出了 KGR$^3$,一个利用大型语言模型(LLMs)进行 KG 推理的范例,实验证明 KGR$^3$ 显著提高了 KG 补全和 KG 问答任务的性能,验证了将上下文信息整合到 KG 表示和推理中的有效性。
Jun, 2024
本文介绍了 GNN-RAG,一种将 LLMs 的语言理解能力与 GNNs 的推理能力以检索增强生成(RAG)风格相结合的新方法。通过 GNN 在稠密的 KG 子图上推理,提取连接问题实体和答案候选的最短路径,将其转化为 LLM 推理的输入。实验证明,GNN-RAG 在 WebQSP 和 CWQ 这两个广泛使用的 KGQA 基准测试中取得了最先进的性能,在 7B 调整的 LLM 上胜过或与 GPT-4 性能相匹配。此外,GNN-RAG 在多跳和多实体问题上表现出色,其答案 F1 得分超过竞争方法 8.9-15.5%。
May, 2024
本文提出了一种基于图神经网络的两步推理模型(GNN2R),可以在只有问题 - 最终答案对的弱监督下高效地提供最终答案和推理子图作为最终答案背后的理由,从而解决了知识图谱中基于多跳问题回答的解释生成问题。该模型在实验中表现出优于现有最先进方法的效果、效率和生成解释的质量。
Dec, 2023
提出了一种基于子图分区的图增强学习排序模型,该模型整合了子图匹配网络和增强双边多角度匹配模型,用于知识图谱问答中的答案选择。在多个基准数据集上的实验结果表明,该方法具有很好的效果。
Nov, 2021
本研究提出了一种可训练的子图检索器(SR),它与后续的推理过程分离,可增强任何以子图为导向的 KBQA 模型,并通过弱监督的预训练以及端到端的微调,与 NSM 组合成为新的基于嵌入的 KBQA 方法的最新的最先进的表现。
Feb, 2022
该论文提出了一种名为 ReaRev 的 KGQA 推理方法,旨在提高指令解码和执行的效率,通过自适应更新初始指令以及使用图神经网络模拟广度优先搜索策略,该方法在三个 KGQA 基准测试中得到了比目前最先进的方法更好的表现,特别是在处理复杂问题或不完整知识图谱时。
Oct, 2022
介绍了一种基于图形的循环检索方法,学习在 Wikipedia 图形上检索推理路径来回答多跳开放域问答问题。该方法在三个开放域 QA 数据集上实现了最新技术成果,特别是在 HotpotQA 中表现出显著的改进,超过了以前最好的模型 14 个百分点以上。
Nov, 2019