AAAIJun, 2023

知识库复杂问题解答的问题分解树

PDF
TL;DR本文提出了问题分解树（QDT）来表示复杂问题的结构，同时设计了一个名为 Clue-Decipher 的两阶段方法生成 QDT。针对知识库问答，我们设计了一个分解型问答系统 QDTQA。实验证明，QDTQA 在 ComplexWebQuestions 数据集上优于先前的最新方法，并在 LC-QuAD 附加任务中把已有 KBQA 系统提升了 12% 并取得了新的最佳水平。
knowledge base question answeringquestion decompositionquestion decomposition treenatural language generationkbqa system
发现论文，激发创造
  • 基于层次问题分解树的可解释性问答推理

    本文提出了一种新的两阶段可解释问答框架 RoHT，该框架借助问题分解进行异构知识的集成，从而有效地回答复杂问题，并在 KQA Pro 和 Musique 等数据集上显著优于现有技术，证明了问题分解对知识集成和 RoHT 框架的有效性。

    May, 2023

  • 以 Web 为知识库回答复杂问题

    本文提出一种新的框架，用于回答复杂问题，即将复杂问题分解成一系列简单问题，并从这些答案中计算出最终答案。实证结果表明，问题分解将在新数据集上将性能从 20.8 提高到 27.5。

    Mar, 2018

  • 朝着全面答案更近一步：使用大型语言模型进行约束的多阶段问题分解

    通过引入 “分解和查询”(D&Q) 框架，使得大规模语言模型在回答问题时能够避免幻觉，通过引导模型思考并利用外部知识，同时限制其思考范围在可靠信息内，从而有效减轻了幻觉的风险。实验证实了 D&Q 的有效性：在我们的 ChitChatQA 数据集上，D&Q 在 67％的情况下不输给 ChatGPT；在 HotPotQA 的仅问题设置下，D&Q 获得了 59.6％的 F1 得分。我们的代码可在此 https URL 找到。

    Nov, 2023

  • 利用分解探针校准多跳问答系统的信任度

    本论文探讨了利用多跳问题分解来探究神经问答模型的解释性，通过人类实验证明这种方法可以提高用户预测系统在某个问题实例上的性能，并且可以用来改进问答系统。

    Apr, 2022

  • 基于问题分解的知识驱动和视觉推理解耦的知识图谱可视问答

    我们研究了基于知识的视觉问答问题，通过将复杂问题替换为多个简单问题，从图像中提取更相关的信息来增强对图像的理解，并在三个著名的视觉问答数据集中实现了高达 2% 的准确率提升。

    Jun, 2024

  • 问答理解基准测试

    本研究提出了问题分解意义表示（QDMR）来解决自然语言问题分解步骤的计算问题，并通过众包管道进行了标注。利用 QDMR 改进了 HotpotQA 数据集的开放领域问题回答，并将其转换成伪 SQL 语言，在语义分析应用中减轻注释难度。通过 Break 训练序列到序列模型，并表明其性能优于几种自然基线的算法。

    Jan, 2020

  • 探索零样本视觉问答的问题分解

    通过研究和应用视觉 - 语言模型，本文提出了问题分解策略和模型驱动的选择性分解方法，以提高视觉问答任务的准确性和性能。

    Oct, 2023

  • 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

  • 一个问题分解单元就足够了吗？

    研究者们探讨了一种新的方法通过人在内的 NLP 研究，在不建立新模型的情况下，通过将数据分解为模型更易于回答的一系列简单问题来提高模型性能，证明了这种方法的可行性，可以作为建立大型语言模型的替代方案。

    May, 2022

  • 潜在组合表示提高基于场景的问答系统的系统化通用性

    该研究提出了一种使用 CKY 式分析器以底向上的组合方式计算问题文本的表示和标记，以在多步推理时达到系统化推广的模型，将模型调整为以树结构的归纳偏置，因而在算术表达式基准测试以及闭合测试中达到了 96.1% 的准确率。

    Jul, 2020