May, 2023

利用隐式逻辑限制在事件性知识图谱上进行复杂查询回答

PDF
TL;DR本文研究基于事件中心知识图谱的深度神经网络复杂查询方法，提出了复杂事件查询回答（CEQA）框架，利用定理证明器填补实体中心查询系统无法推理的逻辑不确定性，实现了在具有时间维度的事件中心知识图谱上的准确推理。
incomplete knowledge graphsdeep learningcomplex eventuality query answeringneural methodstemporal constraints
发现论文，激发创造
  • 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

  • 知识图谱上的复杂时间问答

    EXAQT 是第一个用于回答时间问题的端到端系统，可以为包含多个实体和谓词以及相关时间条件的复杂时间问题提供自然语言答案，并通过 Group Steiner Trees 和 fine-tuned BERT 模型以及时间感知的实体嵌入和关注时间关系的关系图卷积网络，提高 KG-QA 的效率和准确性。

    Sep, 2021

  • 复杂的连续问答：学习在知识图谱上对话问答对

    本文提出了一个任务，即 Complex Sequential QA，它结合了回答简单事实性问题和通过一系列有逻辑的问答匹配进行会话来进行复杂推理，本文也介绍了关于这个任务所需数据集，以及目前现有的模型在处理实际场景中还存在的不足。

    Jan, 2018

  • Query2Triple: 统一查询编码以回答知识图谱上的多样复杂查询

    通过将训练分为两个阶段，分别在简单查询和复杂查询上进行训练，我们提出了一种名为 Q2T 的新方法，通过预测尾部实体来进行简单查询的预训练，并在复杂查询上训练查询编码器，将不同的复杂查询编码为统一的三元组形式，从而在不需要显式建模神经集合运算符的情况下，在三个公共基准测试上实现了最先进的性能。

    Oct, 2023

  • 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

  • NQE: 超关系知识图谱复杂查询答案的 N 元查询嵌入

    本文提出了一种新的 n 元查询嵌入模型（NQE）用于超关系知识图上的复杂查询答案，包括存在量化器、合取、析取和否定，并提出一种新的 CQA 数据集（WD50K-NFOL），实验证明其是超关系知识图上最先进的 CQA 方法。

    Nov, 2022

  • 知识图谱问答的变分推断

    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

  • Event-QA: 在知识图谱上进行以事件为中心的问答数据集

    本研究介绍了 Event-QA 数据集，该数据集专注于回答关于事件的问题，针对现有 QA 系统和数据集关注于实体问题的情况，提供了一种新的回答事件问题的方法。

    Apr, 2020

  • 基于模糊逻辑的知识图谱逻辑查询回答

    FuzzQE 采用模糊逻辑定义逻辑运算符，利用模糊的查询嵌入框架回答在知识图上的存在量化查询，比现有技术提供更好的性能。

    Aug, 2021

  • 利用逻辑编程和语言模型回答知识图谱中的问题

    本文提出了一种利用经典逻辑编程语言来装备大型语言模型（LLMs）的方法，以在知识图谱（KG）上回答自然语言问题，从而提供可解释性解决方案。作者使用 MetaQA 数据集证明了该方法的有效性。

    Mar, 2023