論文の概要: Brain-inspired Search Engine Assistant based on Knowledge Graph
- arxiv url: http://arxiv.org/abs/2012.13529v1
- Date: Fri, 25 Dec 2020 06:36:11 GMT
- ステータス: 処理完了
- システム内更新日: 2021-04-25 04:32:30.588216
- Title: Brain-inspired Search Engine Assistant based on Knowledge Graph
- Title(参考訳): 知識グラフに基づく脳誘発検索エンジンアシスタント
- Authors: Xuejiao Zhao, Huanhuan Chen, Zhenchang Xing, Chunyan Miao
- Abstract要約: developerbotは脳にインスパイアされた、knowledge graphの名前の検索エンジンアシスタントだ。
複雑なマルチ制約クエリを複数の順序制約に分割することで、多層クエリグラフを構築する。
次に、制約推論プロセスを認知科学の拡散活性化モデルに触発されたサブグラフ探索プロセスとしてモデル化する。
- 参考スコア(独自算出の注目度): 53.89429854626489
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Search engines can quickly response a hyperlink list according to query
keywords. However, when a query is complex, developers need to repeatedly
refine the search keywords and open a large number of web pages to find and
summarize answers. Many research works of question and answering (Q and A)
system attempt to assist search engines by providing simple, accurate and
understandable answers. However, without original semantic contexts, these
answers lack explainability, making them difficult for users to trust and
adopt. In this paper, a brain-inspired search engine assistant named
DeveloperBot based on knowledge graph is proposed, which aligns to the
cognitive process of human and has the capacity to answer complex queries with
explainability. Specifically, DeveloperBot firstly constructs a multi-layer
query graph by splitting a complex multi-constraint query into several ordered
constraints. Then it models the constraint reasoning process as subgraph search
process inspired by the spreading activation model of cognitive science. In the
end, novel features of the subgraph will be extracted for decision-making. The
corresponding reasoning subgraph and answer confidence will be derived as
explanations. The results of the decision-making demonstrate that DeveloperBot
can estimate the answers and answer confidences with high accuracy. We
implement a prototype and conduct a user study to evaluate whether and how the
direct answers and the explanations provided by DeveloperBot can assist
developers' information needs.
- Abstract(参考訳): 検索エンジンはクエリキーワードに従ってハイパーリンクリストに素早く応答できる。
しかし、クエリが複雑である場合、開発者は繰り返し検索キーワードを洗練し、回答を見つけ、要約するために多数のWebページを開く必要がある。
質問・回答(q and answering、qとa)システムは、シンプルで正確で理解可能な回答を提供することで、検索エンジンを支援する。
しかし、本来の意味的コンテキストがなければ、これらの答えには説明責任がなく、ユーザが信頼し、採用することが難しくなる。
本稿では,知識グラフに基づく脳インスパイアされた検索エンジンアシスタントであるdeveloperbotを提案する。
具体的には、DeveloperBotは、複雑なマルチ制約クエリを複数の順序付けられた制約に分割することで、まずマルチレイヤクエリグラフを構築する。
次に、制約推論過程を認知科学の活性化モデルの普及に触発されたサブグラフ探索プロセスとしてモデル化する。
最終的に、この部分グラフの新たな特徴を意思決定のために抽出する。
対応する理由書及び回答の信頼性は、説明として導き出される。
意思決定の結果は、DeveloperBotが回答を見積もり、信頼性を高い精度で回答できることを示している。
プロトタイプを実装し,ユーザ調査を行い,developerbotが提供する直接的な回答と説明が,開発者の情報ニーズにどのように役立つかを評価する。
関連論文リスト
- One Model, Any Conjunctive Query: Graph Neural Networks for Answering Complex Queries over Knowledge Graphs [7.34044245579928]
我々は,知識グラフ上の任意の共役クエリに対する回答を分類可能なグラフニューラルネットワークモデルであるAnyCQを提案する。
我々は、AnyCQが任意の構造を持つ大規模クエリに一般化できることを示し、既存のアプローチが失敗するサンプルに対する回答を確実に分類し、検索する。
論文 参考訳(メタデータ) (2024-09-21T00:30:44Z) - Meta Operator for Complex Query Answering on Knowledge Graphs [58.340159346749964]
我々は、異なる複雑なクエリタイプではなく、異なる論理演算子型が一般化性を向上させる鍵であると主張する。
本稿では,メタ演算子を限られたデータで学習し,様々な複雑なクエリの演算子のインスタンスに適応するメタ学習アルゴリズムを提案する。
実験結果から,メタオペレータの学習は,従来のCQAモデルやメタCQAモデルよりも効果的であることが示唆された。
論文 参考訳(メタデータ) (2024-03-15T08:54:25Z) - Successive Prompting for Decomposing Complex Questions [50.00659445976735]
最近の研究は、大規模言語モデル(LM)の機能を活用して、数ショットで複雑な質問応答を行う。
そこでは、複雑なタスクを単純なタスクに繰り返し分解し、それを解決し、最終解を得るまでプロセスを繰り返します。
我々の最良のモデル(逐次プロンプト付き)は、DROPデータセットの数ショットバージョンにおいて、5%の絶対F1の改善を実現します。
論文 参考訳(メタデータ) (2022-12-08T06:03:38Z) - Query-Response Interactions by Multi-tasks in Semantic Search for
Chatbot Candidate Retrieval [12.615150401073711]
本稿では,マルチタスクに基づくセマンティックサーチニューラルネットワーク(MSSNN)を提案する。
この方法はSeq2Seqモデリングタスクを使用して、優れたクエリエンコーダを学習し、応答埋め込みを構築するために単語予測タスクを実行し、最終的に単純なマッチングモデルを実行し、ドット積スコアラを形成する。
論文 参考訳(メタデータ) (2022-08-23T15:07:35Z) - Graph Enhanced BERT for Query Understanding [55.90334539898102]
クエリ理解は、ユーザの検索意図を探索し、ユーザが最も望まれる情報を発見できるようにする上で、重要な役割を果たす。
近年、プレトレーニング言語モデル (PLM) は様々な自然言語処理タスクを進歩させてきた。
本稿では,クエリコンテンツとクエリグラフの両方を活用可能な,グラフ強化事前学習フレームワークGE-BERTを提案する。
論文 参考訳(メタデータ) (2022-04-03T16:50:30Z) - How Do We Answer Complex Questions: Discourse Structure of Long-form
Answers [51.973363804064704]
3つのデータセットから収集した長文回答の機能構造について検討した。
私たちの主な目標は、人間が複雑な答えを作るためにどのように情報を整理するかを理解することです。
我々の研究は、長期QAシステムの談話レベルのモデリングと評価に関する将来の研究に刺激を与えることができる。
論文 参考訳(メタデータ) (2022-03-21T15:14:10Z) - Question Answering Survey: Directions, Challenges, Datasets, Evaluation
Matrices [0.0]
QA分野の研究の方向性は,質問の種類,回答の種類,根拠の源泉,モデリングアプローチに基づいて分析される。
これに続き、自動質問生成、類似性検出、言語に対する低リソース可用性など、この分野のオープンな課題が続きます。
論文 参考訳(メタデータ) (2021-12-07T08:53:40Z) - Query Embedding on Hyper-relational Knowledge Graphs [0.4779196219827507]
マルチホップ論理推論は知識グラフ上の表現学習の分野で確立された問題である。
我々はマルチホップ推論問題をハイパーリレーショナルなKGに拡張し、この新しいタイプの複雑なクエリに対処する。
論文 参考訳(メタデータ) (2021-06-15T14:08:50Z) - Retrieve, Program, Repeat: Complex Knowledge Base Question Answering via
Alternate Meta-learning [56.771557756836906]
本稿では,弱い監督からプログラマと交互に検索モデルを自動的に学習する手法を提案する。
本システムでは,知識ベースに対する複雑な質問応答を行う大規模タスクにおいて,最先端のパフォーマンスを実現する。
論文 参考訳(メタデータ) (2020-10-29T18:28:16Z)
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。