时空知识图谱的问答
本文介绍了 CRONQUESTIONS—— 最大的已知的 Temporal KGQA 数据集,通过多次实验,提出了 CRONKGQA—— 一种基于转化器的解决方案,该方案利用了 Temporal KG 嵌入的最新进展,在准确性上超越所有基线方法,相比于下一个最佳表现方法提高了 120%。
Jun, 2021
本文从两个角度,即时间问题的分类和基于语义解析和知识图嵌入的方法论分类,对时间知识图问答(TKGQA)进行了全面概述,为该领域的发展提供了参考,并激发了进一步研究的动力。
Jun, 2024
本文提出了一种基于嵌入感知的方法,名为 'Temporal Question Reasoning' (TempoQR),用于回答复杂的基于时间的知识图谱问答。实验表明,TempoQR 在复杂的时间问题上比现有的先进方法提高了 25-45 个百分点,并且更好地泛化到看不见的问题类型。
Dec, 2021
本文提出了一种新的任务:在时间知识图谱上进行预测问答,同时还提出了一个大规模 TKGQA 基准数据集 ForecastTKGQuestions,用于评估 QA 模型。最终提出 ForecastTKGQA 模型来回答三种类型的问题,实验结果表明它的表现优于最新的 TKGQA 方法。
Aug, 2022
本文提出了一种对时间知识图进行问答的框架,包括一个时间戳估计模块和一个考虑时间顺序的知识图嵌入编码器,能够有效地解决问题中时间相关的挑战,并且在时间知识图问答基准上获得了显著的性能提升。
Mar, 2022
本文介绍了一种新的框架:Simple Spatio-Temporal Knowledge Graph (SSTKG),用于构建和探索时空知识图谱。通过新的三步嵌入方法,将时空数据整合到知识图谱中,输出嵌入可用于未来时间序列预测和空间信息推荐,提供了对零售销售预测、交通量预测等多种应用的有价值的洞察。该框架简单而全面,能够增强预测的准确性和推荐的相关性,为知识图谱中时空数据的更有效利用铺平了道路,对多个领域具有潜在的影响。
Feb, 2024
提出一种新颖的生成式时间知识图问答框架(GenTKGQA),通过两个阶段引导 LLMs 回答时间性问题:子图检索和答案生成。在第一个阶段,利用 LLM 的内在知识来挖掘问题中的时间约束和结构链接,从而缩小子图搜索空间。在第二个阶段,设计虚拟知识指示器将子图的图神经网络信号与 LLM 的文本表示非浅层次地融合,帮助开源 LLM 深入理解检索到的事实中的时间顺序和结构依赖关系。实验结果表明,该模型优于最先进的基准方法,甚至对于简单问题类型的指标达到 100%。
Feb, 2024
EXAQT 是第一个用于回答时间问题的端到端系统,可以为包含多个实体和谓词以及相关时间条件的复杂时间问题提供自然语言答案,并通过 Group Steiner Trees 和 fine-tuned BERT 模型以及时间感知的实体嵌入和关注时间关系的关系图卷积网络,提高 KG-QA 的效率和准确性。
Sep, 2021
该论文提出了一种关键词感知的相对时空图网络(KRST)用于视频问答,通过在问题编码过程中使用注意机制让问题特征对关键词敏感,指导视频图构建,并整合了相对关系建模以更好地捕捉物体节点之间的时空动态,实验证明 KRST 方法在多个现有方法上具有优势。
Jul, 2023
给出了用于回答知识图谱上有关时间性问题的 Semantic Framework of Temporal Constraints 框架与基于实体的查询生成方法 SF-TQA,并针对不同知识库进行了评估实验。
Oct, 2022