EMNLPOct, 2023

Query2Triple: 统一查询编码以回答知识图谱上的多样复杂查询

PDF
TL;DR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。
complex query answeringknowledge graphquery embeddingneural set operatorsquery to triple
发现论文，激发创造
  • 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

  • 知识图谱上的复杂查询回答的顺序查询编码

    本文提出了顺序查询编码 (SQE) 来替代 CQA 的查询编码方法，并证明了在 FB15k、FB15k-237 和 NELL 等数据集上，SQE 在处理逻辑查询时表现优异。

    Feb, 2023

  • 三元组检索的图式推理问答

    提出了一种简单而有效的方法来检索和重新排序与问题回答相关的三元组，并将它们与问题连接以提高语言模型的表现，实验结果显示，其在常识问答和开放式书本问答数据集上均表现优于现有的最佳方法。

    May, 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

  • 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

    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。

    May, 2023

  • GETT-QA：基于图嵌入的 T2T Transformer 在知识图谱问答中的应用

    提出了一种基于 T5 模型的知识图谱问答系统 GETT-QA, 它能够自然语言输入问题并在简化后产生意图的 SPARQL 查询，通过对实体和关系的标签进行解释，并利用截断 KG 嵌入进一步优化结果，在 Wikidata 数据集下获得了强有力的端到端 KGQA 性能.

    Mar, 2023

  • 用于复杂查询答案的神经符号纠缠框架

    提出了一种神经符号交织的（ENeSy）复杂查询答案框架，该框架能够在神经和符号推理结果的基础上分别回答和集成查询，通过压缩和整合基本运算符和链接预测提高了复杂查询的效果，并应用于多项基准测试。

    Sep, 2022

  • 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

  • 通过查询计算树优化在知识图谱上回答复杂逻辑查询

    QTO is an efficient method for optimizing query computation trees in knowledge graphs, which achieves state-of-the-art performance and can interpret intermediate solutions with high accuracy.

    Dec, 2022

  • Query2Particles: 利用粒子嵌入进行知识图谱推理

    提出了一种基于 Query2Particles 的知识图谱复杂查询答案方法，使用多向量编码并通过神经逻辑操作支持任意一阶逻辑查询，在三个知识图谱上实现了最好的表现。

    Apr, 2022