Jul, 2023

环球之间：基于深度神经网络的异质家族知识图谱的数值聚合问答

PDF
TL;DR研究提出了一种新的端到端数值聚合 QA 方法，名为 GLOBE，用于解决对家谱树进行数值聚合问题。结果表明，GLOBE 在这一任务上的准确率达到了 87%，远超过当前最先进模型的 21%。这项研究对家谱信息中心和博物馆具有实际意义，使得专家和普通公众可以轻松进行家谱数据研究。
natural language question-answeringgenealogical domainnumerical aggregation qaglobegenealogical data research
发现论文，激发创造
  • 使用深度神经网络应对半结构化异构家谱知识图的问答

    通过将家族谱系数据表示为知识图谱，转化为文本，将其与非结构化文本相结合，并训练一个基于转换器的问答模型，该研究提出了一种适用于家族谱系数据的问答端到端方法。通过将经过微调的模型（Uncle-BERT）与现有的问答模型进行比较，结果表明回答家族谱系问题和开放领域问题之间存在显著差异。此外，该方法减少了复杂性，提高了准确性，并可能对家族谱系研究和实际项目具有实际意义，使家谱数据对专家和普通公众都更易获取。

    Jul, 2023

  • GeoQA：一个面向多模态数字推理的几何问答基准

    本文提出了大规模的 Geometric Question Answering 数据集 GeoQA 和一个神经几何求解器 NGS，并通过多模式信息综合分析和生成可解释性程序来解决几何问题。

    May, 2021

  • 询问以理解：多跳问答问题生成

    本文提出了一种基于问题生成的新型多跳问答方法，通过精心设计端到端的 QG 模块，在上下文理解中提出内在逻辑子问题，从而继承了 QD 方法的可解释性并表现出较高的性能。实验证明，我们提出的 QG 模块是有效的，在流畅性、一致性和多样性方面优于 QD 方法，并获得了人工评估的定量可解释性。

    Mar, 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

  • 神经生成式问答

    本文提出了一个名为 Neural Generative Question Answering（GENQA）的端到端神经网络模型，可以根据知识库中的事实生成简单问答问题的答案。通过对问题答案对的语料库进行训练，该模型可有效处理问题和答案的变化，并通过参考知识库中的事实生成正确自然的答案，且在问题回答方面的实验证明该模型优于基于嵌入式的 QA 模型和在相同数据上训练的神经对话模型。

    Dec, 2015

  • 利用知识库和文本的早期融合进行开放领域问答

    该论文提出了一种新模型 Graft-Net，应用于 Open Domain Question Answering 问题，该模型结合了文本和知识库并利用子图表示法以提高效率和准确度

    Sep, 2018

  • 全局归一化阅读器

    通过迭代式搜索及全局归一化决策的神经网络，提出了可提取答案的问答系统并进行了数据增强及实验优化。

    Sep, 2017

  • 通过 Amazon Alexa 在生物知识图谱上进行问答

    本文介绍了如何使用 Amazon Alexa 语音界面对知识图谱进行问答。以包含 113 万个基因 - 疾病关联的 DisgeNET KG 为例，研究表明 Alexa 可以帮助从大规模知识库中查找有关某些生物实体的信息。

    Oct, 2022

  • 知识图谱通用问答平台

    本文提出了 KGQAn，一个通用的 QA 系统，它不需要为每个目标 KG 进行定制，而是采用一种新颖的形式化方法将问题理解为一个文本生成问题，并通过神经序列到序列模型将问题转换为中间抽象表示。我们还开发了一个即时链接器，在查询时间使用 RDF 存储的公共可访问 API 和现有索引将抽象表示映射到特定 KG 的 SPARQL 查询，而无需任何预处理。我们在几个真实的 KG 上进行的实验表明，KGQAn 易于部署，对于任意的 KG 表现良好，优于现有的 QA 系统。

    Mar, 2023

  • QA-GNN: 用语言模型和知识图谱进行问答推理

    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