論文の概要: Open Domain Question Answering Using Web Tables

• arxiv url: http://arxiv.org/abs/2001.03272v1
• Date: Fri, 10 Jan 2020 01:25:04 GMT
• ステータス: 処理完了
• システム内更新日: 2023-01-12 23:41:13.515442
• Title: Open Domain Question Answering Using Web Tables
• Title（参考訳）: Web テーブルを用いたオープンドメイン質問応答
• Authors: Kaushik Chakrabarti, Zhimin Chen, Siamak Shakeri, Guihong Cao
• Abstract要約: ファクトイドクエリと非ファクトイドクエリの両方に対応可能なWebテーブルを用いたオープンドメインQAアプローチを開発した。 当社のソリューションは,主要な商用Web検索エンジンで実運用に使用されており,毎月数千万の実際のユーザクエリに対して直接回答を提供する。
• 参考スコア（独自算出の注目度）: 8.25461115955717
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Tables extracted from web documents can be used to directly answer many web search queries. Previous works on question answering (QA) using web tables have focused on factoid queries, i.e., those answerable with a short string like person name or a number. However, many queries answerable using tables are non-factoid in nature. In this paper, we develop an open-domain QA approach using web tables that works for both factoid and non-factoid queries. Our key insight is to combine deep neural network-based semantic similarity between the query and the table with features that quantify the dominance of the table in the document as well as the quality of the information in the table. Our experiments on real-life web search queries show that our approach significantly outperforms state-of-the-art baseline approaches. Our solution is used in production in a major commercial web search engine and serves direct answers for tens of millions of real user queries per month.
• Abstract（参考訳）: webドキュメントから抽出されたテーブルは、多くのweb検索クエリに直接答えることができる。 ウェブテーブルを用いた質問応答(QA)に関するこれまでの研究は、ファクトイドクエリ(人名や数字のような短い文字列で答えられるもの)に焦点を当ててきた。 しかし、テーブルを使って応答可能なクエリの多くは、本質的に非ファクトである。 本稿では,ファクトイドクエリと非ファクトイドクエリの両方に対応可能なWebテーブルを用いたオープンドメインQAアプローチを提案する。 私たちの重要な洞察は、クエリとテーブル間の深いニューラルネットワークベースの意味的類似性と、ドキュメント内のテーブルの支配性とテーブル内の情報の品質を定量化する特徴を組み合わせることです。 実生活Web検索クエリの実験により、我々のアプローチは最先端のベースラインアプローチよりも大幅に優れていることが示された。 当社のソリューションは,主要な商用Web検索エンジンで実運用に使用されており,毎月数千万の実際のユーザクエリに対して直接回答を提供する。

関連論文リスト

• Is Table Retrieval a Solved Problem? Exploring Join-Aware Multi-Table Retrieval [52.592071689901196]
  本稿では,テーブル検索において,任意のクエリやデータベースに対して有用な結合関係を明らかにする手法を提案する。 提案手法は,F1スコアの最大9.3%,エンドツーエンドQAの最大5.4%の精度で,テーブル検索の最先端手法よりも優れている。
  論文  参考訳（メタデータ） (2024-04-15T15:55:01Z)
• MURRE: Multi-Hop Table Retrieval with Removal for Open-Domain Text-to-SQL [51.48239006107272]
  MURRE (Multi-hop table search with removal) は、未検索のテーブルへ誘導するために、質問から以前検索した情報を削除する。 2つのオープンドメインのテキスト・ツー・レトリバーデータセットの実験は、以前の最先端結果よりも平均5.7%改善したことを示している。
  論文  参考訳（メタデータ） (2024-02-16T13:14:35Z)
• Augment before You Try: Knowledge-Enhanced Table Question Answering via Table Expansion [57.53174887650989]
  テーブル質問応答は、構造化されたデータを理解し、相互作用するモデルの能力を評価する一般的なタスクである。 既存の方法は表と外部の知識の両方をテキストに変換し、表の構造的な性質を無視する。 そこで本稿では,表に外部情報を統合するための簡易で効果的な手法を提案する。
  論文  参考訳（メタデータ） (2024-01-28T03:37:11Z)
• MultiTabQA: Generating Tabular Answers for Multi-Table Question Answering [61.48881995121938]
  実世界のクエリは本質的に複雑で、リレーショナルデータベースやWebページ内の複数のテーブルにまたがることが多い。 我々のモデルであるMultiTabQAは、複数のテーブル上の質問に答えるだけでなく、表形式の回答を生成するために一般化する。
  論文  参考訳（メタデータ） (2023-05-22T08:25:15Z)
• Open-WikiTable: Dataset for Open Domain Question Answering with Complex Reasoning over Table [6.436886630398141]
  Open-WikiTableは、テーブル上の複雑な推論を必要とする最初のODQAデータセットである。 Open-WikiTableはWikiとWikiTableQuestions上に構築されている。
  論文  参考訳（メタデータ） (2023-05-12T07:24:16Z)
• TabIQA: Table Questions Answering on Business Document Images [3.9993134366218857]
  本稿では,ビジネス文書イメージに関する疑問に答えるために,TabIQAという新しいパイプラインを提案する。 TabIQAは、1)最先端のディープラーニング技術を組み合わせて、画像からテーブルの内容と構造情報を抽出し、2)数値データ、テキストベース情報、構造化テーブルからの複雑なクエリに関する様々な質問に答える。
  論文  参考訳（メタデータ） (2023-03-27T06:31:21Z)
• Dual Reader-Parser on Hybrid Textual and Tabular Evidence for Open Domain Question Answering [78.9863753810787]
  世界の知識は構造化データベースに保存されている。 クエリ言語は、複雑な推論を必要とする質問に答えるだけでなく、完全な説明可能性を提供することができる。
  論文  参考訳（メタデータ） (2021-08-05T22:04:13Z)
• Representations for Question Answering from Documents with Tables and Text [22.522986299412807]
  周囲のテキストからの情報をもとに表表現を精緻化することで、表からの質問応答の向上を目指します。 また,全文からの質問応答のためのテキストと表に基づく予測を組み合わせるための有効な方法を提案する。
  論文  参考訳（メタデータ） (2021-01-26T05:52:20Z)
• A Graph Representation of Semi-structured Data for Web Question Answering [96.46484690047491]
  本稿では、半構造化データとそれらの関係の構成要素の体系的分類に基づいて、Webテーブルとリストのグラフ表現を提案する。 本手法は,最先端のベースラインに対してF1スコアを3.90ポイント向上させる。
  論文  参考訳（メタデータ） (2020-10-14T04:01:54Z)
• TableQnA: Answering List Intent Queries With Web Tables [12.941073798838167]
  我々は、HTMLテーブルでクエリの2つのクラスに答えることに集中する。 既存のアプローチでは、候補者から回答を選択するために機械学習モデルを訓練している。 構造認識マッチングを計算し、機械学習モデルを訓練する新機能を開発した。
  論文  参考訳（メタデータ） (2020-01-10T01:43:54Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。