BERTologyNavigator:基于 BERT 语义的高级问答
该研究提出了一种基于语义分析的新方法,以提高知识库问答(KBQA)的性能。该方法侧重于如何从候选集中选择最佳查询图,以从知识库(KB)中检索答案,实验结果证明,该系统在复杂问题上取得了最佳表现,并在 WebQuestions 上取得了第二佳表现。
Apr, 2022
本研究主要关注于如何从自然语言问题中构建查询图谱,提出了一种基于语义结构的 BERT 模型进行分析和预测,通过过滤噪声查询图,提高了问题解答的准确性。实验结果表明该方法比现有技术有更好的效果。
Apr, 2022
本研究提出了使用 BERT 模型和条件随机场层从临床记录中提取和分析生物医学知识的端到端方法,包括自然语言处理模型用于命名实体识别和关系提取等步骤,可以用于构建医学知识图谱并用于问题解答。实验结果表明,该方法对于 505 位真实患者的生物医学非结构化临床记录的命名实体识别和关系提取的准确率分别为 90.7% 和 88%。
Apr, 2023
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
本文介绍了使用自然语言处理技术的语义解析器,将用户的自然语言问题转化为有形式定义的查询语句,通过大规模知识图谱实现。作者提供了一个数据集,其中,用户问题采用 Sparql 语言解析,并对执行结果对系统回答进行注释。通过两种不同的语义解析方法,我们提出了挑战:如何处理大规模词汇,如何建模对话语境,如何处理多实体查询语句,并实现对新问题进行泛化。作者希望我们的数据集能够为开发会话式语义解析器提供有效的测试平台。本文的数据集和模型已经发布,详情请见链接。
Jan, 2023
使用大型语言模型,该研究论文介绍了一种学术知识图谱问答(KGQA)系统,通过少量示例解决书目自然语言问题。模型使用基于 BERT 的句子编码器来识别与给定测试问题相关的前 n 个相似训练问题,并检索它们对应的 SPARQL 查询。利用前 n 个相似问题 - SPARQL 对作为示例以及测试问题创建提示,并将其传递给大型语言模型以生成 SPARQL 查询。最后,在底层知识图谱(Open Research KG)端点上运行 SPARQL 查询并返回答案。该系统在 Scholarly-QALD-23 挑战基准中的 SciQA 数据集上获得了 99.0% 的 F1 分数。
Nov, 2023
本文提出了一种名为 KnowledgeNavigator 的新型框架,通过从知识图中高效准确地检索外部知识并将其作为增强 LLM 推理的关键因素,以解决 LLM 在需要长逻辑链或复杂推理的场景中所存在的幻觉和知识限制的问题。通过对给定问题的潜在约束进行挖掘和增强,KnowledgeNavigator 指导推理过程;然后,在 LLM 和问题的指导下,通过对知识图上的迭代推理来检索和过滤支持回答的外部知识;最后,KnowledgeNavigator 将结构化知识构建为对 LLM 有利的有效提示,以帮助其推理。实验证明该框架在多个公开的知识图问答基准测试上具有很高的效果和泛化能力,优于之前的知识图增强 LLM 方法,并且与完全监督模型相媲美。
Dec, 2023
这篇研究论文探讨了如何使用自然语言问答,相结合的语言模型和 KG 嵌入来回答生物学家们所提出的一系列自由形式的问题,其 KG 数据集来源于 Hetionet,并利用该数据集创建一个多跳生物医学问答数据集以测试多跳生物医学问答系统。
Nov, 2022
BigText-QA 旨在开发一个综合 QA 系统,它能够回答基于一个知识图谱(KG)的更冗余形式的问题,该图谱将结构化和非结构化(即 “混合”)知识组织在统一的图形表示中,既有一个命名实体的规范集合,又有提供高度多样化的关系释义和丰富上下文信息的文本子句的开放集合。
Dec, 2022