Feb, 2024

复杂查询回答的条件逻辑消息传递变形器

PDF
TL;DR该论文提出了一种名为 “条件逻辑消息传递转换器” 的新型神经网络模型，通过使用预训练的神经链接预测器来在常量和变量之间进行条件性的消息传递，并通过自注意机制显式建模各个元素之间的逻辑依赖关系，从而降低计算成本并实现了新的领先的神经网络复杂查询回答模型。
complex query answeringknowledge graphsneural modelsmessage passing mechanismlogical message passing transformer
发现论文，激发创造
  • 使用一次传递推理的逻辑信息传递网络在原子公式上

    我们提出了一种简单的复杂查询方法，通过将复杂查询表示为查询图并使用逻辑信息传递神经网络，将知识图谱嵌入分解为本地推理和全局推理，实现了对各种类型的查询的复杂推理和新的最先进的神经查询应答模型。

    Jan, 2023

  • 知识图谱上的复杂问答消息传递

    本文提出了一种基于无监督消息传递的复杂知识图谱问答方法，通过识别问题类型，并在图结构中传递置信度分数来进行答案实体的定位和聚合，其在 LC-QuAD 基准测试中表现优于现有方法，具有较高的实现效率和通用性。

    Aug, 2019

  • 遮盖和原因：预训练知识图谱变形器用于复杂逻辑查询

    本文介绍了一种利用知识图谱转换器进行推理的方法，使用了掩码预训练和微调策略。 经过学习处理复杂逻辑查询，结果表明 kgTransformer 在 9 种不同领域的任务中表现优异，并提供了全面的推理路径解释。

    Aug, 2022

  • 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

  • 路径形成器：递归路径查询编码用于复杂逻辑查询回答

    基于树状计算图的神经单点嵌入方法 Pathformer 提出，充分利用未来的上下文信息以显式建模路径查询的各个部分之间的复杂交互关系，并在实验中显示 Pathformer 优于现有的竞争神经查询嵌入方法，具有应用于非单点嵌入空间的潜力。

    Jun, 2024

  • 思维的逻辑查询：通过知识图谱引导大型语言模型回答复杂逻辑查询

    本文提出了 'Logic-Query-of-Thoughts' (LGOT) 方法，首次将大型语言模型 (LLMs) 与基于知识图谱的逻辑查询推理相结合，通过将复杂的逻辑查询拆解为易答的子问题，并利用知识图谱推理和 LLMs 共同解答，最终获得准确的结果。实验结果显示 LGOT 在性能上得到了大幅提升，相比 ChatGPT 提高了 20%。

    Mar, 2024

  • 利用逻辑编程和语言模型回答知识图谱中的问题

    本文提出了一种利用经典逻辑编程语言来装备大型语言模型（LLMs）的方法，以在知识图谱（KG）上回答自然语言问题，从而提供可解释性解决方案。作者使用 MetaQA 数据集证明了该方法的有效性。

    Mar, 2023

  • Query2Triple: 统一查询编码以回答知识图谱上的多样复杂查询

    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。

    Oct, 2023

  • 高效知识路径的推理：知识图引导领域问题回答的大型语言模型

    通过在知识图谱（KG）上选择推理路径并结合思维链（CoT）和 PageRank 的子图检索方法，本文整合和优化了一个基于大型语言模型（LLM）的管道，可以减少对 LLM 的依赖。最终，RoK 证明了使用较少的 LLM 调用可以达到相同的结果。

    Apr, 2024

  • 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