本文提出了一种利用关系路径的混合语义来改善多跳知识图谱问答(KGQA)的方法,以较大程度的解决理解复杂问题的问题,通过实验证明该方法在多跳场景下的优越性。
Sep, 2022
本文提出了一种新的 RE-KBQA 框架,利用知识库中的关系来增强实体表示并引入额外的监督方法以提高知识库问答的效果,通过实验证明此框架的优越性,从而提高 F1 分数。
May, 2023
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
KBIGER 是一种使用知识图谱进行动态指令生成和推理的方法,用于解决多跳知识库问答的问题,并能够检测和修正中间实体的错误预测。
本论文提出了一种新颖的知识感知方法,将预训练语言模型与多跳关系推理模块相结合,对外部知识图谱子图进行多跳关系推理。该方法统一了基于路径的推理方法和图神经网络,提高了可解释性和可伸缩性,并在常识问答和开放式书面问答数据集上证明了其有效性和可伸缩性,并通过案例研究进行了解释。
May, 2020
本文提出了一种新的基于超图的模型,用于解决知识库视觉问答中的多跳推理问题。该模型可以将高级问题的语义和知识库相结合,并通过超图内部和跨越两个超图之间的关联编码来预测答案。我们的实验证明了该方法的有效性。
Apr, 2022
本文提出了一种通过层级循环神经网络和残差学习的知识库关系检测方法,并结合实体链接技术实现了简单问题和复杂问题的全新的知识库问答系统。实验结果表明,该方法检测性能优异且能够帮助问题回答系统取得最佳准确度。
Apr, 2017
本文旨在探索多站点问答任务的 RGCN 模型、图形关系和节点嵌入,并在 WikiHop 数据集上经验性地探讨每个关系、节点类型和嵌入对多站点 QA 性能的影响。
Oct, 2022
本文提出了一种元学习式的多跳知识图谱(KG)推理方法(Meta-KGR),适用于少样本关系中的查询回答(QA)任务,通过学习适应于不同关系的元参数,提高模型的推理能力,实验表明,在 Freebase 和 NELL 数据集上,Meta-KGR 在少样本场景下优于现有技术方法。
Aug, 2019