論文の概要: CounQER: A System for Discovering and Linking Count Information in Knowledge Bases

• arxiv url: http://arxiv.org/abs/2005.03529v1
• Date: Thu, 7 May 2020 14:53:11 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-05 23:59:57.384738
• Title: CounQER: A System for Discovering and Linking Count Information in Knowledge Bases
• Title（参考訳）: CounQER:知識ベースにおけるカウント情報の発見とリンクシステム
• Authors: Shrestha Ghosh, Simon Razniewski, Gerhard Weikum
• Abstract要約: このデモでは、カウントする述語をアライメントするシステムであるCounQERを紹介します。 デモセッションでは、参加者がこれらのアライメントを検査し、KB質問への回答とキュレーションにおいて、これらのアライメントの重要性について学ぶ。
• 参考スコア（独自算出の注目度）: 32.43213645631101
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Predicate constraints of general-purpose knowledge bases (KBs) like Wikidata, DBpedia and Freebase are often limited to subproperty, domain and range constraints. In this demo we showcase CounQER, a system that illustrates the alignment of counting predicates, like staffSize, and enumerating predicates, like workInstitution^{-1} . In the demonstration session, attendees can inspect these alignments, and will learn about the importance of these alignments for KB question answering and curation. CounQER is available at https://counqer.mpi-inf.mpg.de/spo.
• Abstract（参考訳）: Wikidata、DBpedia、Freebaseなどの汎用知識ベース(KB)の述語制約は、サブプロパティ、ドメイン、範囲制約に制限されることが多い。 このデモでは、CounQERを紹介します。これは、 StaffSizeのような述語を数え、WorkInstitution^{-1}のような述語を列挙するシステムです。 デモセッションでは、参加者はこれらのアライメントを検査でき、kbの質問応答とキュレーションにおけるこれらのアライメントの重要性を知ることができる。 CounQERはhttps://counqer.mpi-inf.mpg.de/spoで入手できる。

関連論文リスト

• Few-shot Transfer Learning for Knowledge Base Question Answering: Fusing Supervised Models with In-Context Learning [20.80841972133938]
  既存の知識ベース質問回答(KBQA)アーキテクチャは、注釈付きデータに飢えている。 KBQAでは,対象ドメインがラベル付きサンプルを少数提供している。 本稿では,複数のソース学習型検索器を用いてKB検索を行う新しいKBQAアーキテクチャFuSIC-KBQAを提案する。
  論文  参考訳（メタデータ） (2023-11-15T11:56:56Z)
• Few-shot In-context Learning for Knowledge Base Question Answering [31.73274700847965]
  本稿では,KB-BINDERを提案する。 4つの公開ヘテロジニアスKBQAデータセットの実験結果から,KB-BINDERはコンテクスト内デモを数回しか行わず,高い性能が得られることが示された。
  論文  参考訳（メタデータ） (2023-05-02T19:31:55Z)
• BigText-QA: Question Answering over a Large-Scale Hybrid Knowledge Graph [23.739432128095107]
  BigText-QAは構造化知識グラフに基づいて質問に答えることができる。 その結果,BigText-QAはニューラルネットワークベースのQAシステムであるDrQAよりも優れており,グラフベースの教師なしQAシステムであるQUESTと競合する結果が得られた。
  論文  参考訳（メタデータ） (2022-12-12T09:49:02Z)
• QA Is the New KR: Question-Answer Pairs as Knowledge Bases [105.692569000534]
  提案するKBの形式は,従来のシンボリックKBの重要な利点を多く備えている,と我々は主張する。 従来のKBとは異なり、この情報ストアは一般的なユーザ情報のニーズによく適合している。
  論文  参考訳（メタデータ） (2022-07-01T19:09:08Z)
• A Benchmark for Generalizable and Interpretable Temporal Question Answering over Knowledge Bases [67.33560134350427]
  TempQA-WDは時間的推論のためのベンチマークデータセットである。 Wikidataは、最も頻繁にキュレーションされ、公開されている知識ベースである。
  論文  参考訳（メタデータ） (2022-01-15T08:49:09Z)
• SYGMA: System for Generalizable Modular Question Answering OverKnowledge Bases [57.89642289610301]
  SYGMAは、複数の知識ベースと複数のリアソニングタイプにまたがる汎用化を容易にするモジュラーアプローチである。 本システムの有効性を,DBpediaとWikidataの2つの異なる知識ベースに属するデータセットを用いて評価することで実証する。
  論文  参考訳（メタデータ） (2021-09-28T01:57:56Z)
• Efficient Contextualization using Top-k Operators for Question Answering over Knowledge Graphs [24.520002698010856]
  本研究は,KB対応信号を用いて検索空間の無関係な部分を抽出する効率的なECQAを提案する。 最近の2つのQAベンチマークによる実験では、解答の有無、検索空間のサイズ、ランタイムに関して、最先端のベースラインよりもECQAの方が優れていることが示されている。
  論文  参考訳（メタデータ） (2021-08-19T10:06:14Z)
• A Survey on Complex Question Answering over Knowledge Base: Recent Advances and Challenges [71.4531144086568]
  知識ベース(KB)に対する質問回答(QA)は、自然言語の質問に自動的に答えることを目的としている。 研究者は、よりKBのトリプルと制約推論を必要とする単純な質問から複雑な質問へと注意を移した。
  論文  参考訳（メタデータ） (2020-07-26T07:13:32Z)
• KQA Pro: A Dataset with Explicit Compositional Programs for Complex Question Answering over Knowledge Base [67.87878113432723]
  複雑KBQAのためのデータセットであるKQA Proを紹介する。 各質問に対して、対応するKoPLプログラムとSPARQLクエリを提供するので、KQA ProはKBQAとセマンティック解析の両方に役立ちます。
  論文  参考訳（メタデータ） (2020-07-08T03:28:04Z)

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。