論文の概要: Context Transformer with Stacked Pointer Networks for Conversational
Question Answering over Knowledge Graphs
- arxiv url: http://arxiv.org/abs/2103.07766v1
- Date: Sat, 13 Mar 2021 18:16:43 GMT
- ステータス: 処理完了
- システム内更新日: 2021-03-17 08:52:37.617643
- Title: Context Transformer with Stacked Pointer Networks for Conversational
Question Answering over Knowledge Graphs
- Title（参考訳）: 知識グラフを用いた会話質問応答のための重み付きポインタネットワークを用いた文脈変換器
- Authors: Joan Plepi, Endri Kacupaj, Kuldeep Singh, Harsh Thakkar, Jens Lehmann
- Abstract要約: CARTONという新しいフレームワークを提案し,大規模ナレッジグラフ上で対話型質問応答の問題を処理するためのマルチタスク意味解析を行う。
本フレームワークは,入力質問と対話履歴を解析するコンテキストトランスフォーマーモデルの拡張として,ポインタネットワークのスタックで構成されている。
CARTONがすべてのベースラインを上回っているかに関する複雑な逐次質問応答のための標準データセット上でCARTONを評価します。
- 参考スコア（独自算出の注目度）: 4.6574525260746285
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Neural semantic parsing approaches have been widely used for Question
Answering (QA) systems over knowledge graphs. Such methods provide the
flexibility to handle QA datasets with complex queries and a large number of
entities. In this work, we propose a novel framework named CARTON, which
performs multi-task semantic parsing for handling the problem of conversational
question answering over a large-scale knowledge graph. Our framework consists
of a stack of pointer networks as an extension of a context transformer model
for parsing the input question and the dialog history. The framework generates
a sequence of actions that can be executed on the knowledge graph. We evaluate
CARTON on a standard dataset for complex sequential question answering on which
CARTON outperforms all baselines. Specifically, we observe performance
improvements in F1-score on eight out of ten question types compared to the
previous state of the art. For logical reasoning questions, an improvement of
11 absolute points is reached.
- Abstract（参考訳）: ニューラルセマンティックパーシングアプローチは知識グラフ上の質問応答(QA)システムに広く用いられている。
このような方法は複雑なクエリと多数のエンティティでQAデータセットを処理する柔軟性を提供する。
本研究では,大規模知識グラフ上での対話型質問応答問題を扱うために,マルチタスク意味解析を行うcartonという新しいフレームワークを提案する。
本フレームワークは,入力質問と対話履歴を解析するコンテキストトランスフォーマーモデルの拡張として,ポインタネットワークのスタックで構成されている。
このフレームワークは、知識グラフ上で実行できる一連のアクションを生成する。
我々は、cartonがすべてのベースラインを上回る複雑な逐次質問応答のための標準データセット上でcartonを評価する。
具体的には,10問中8問において,F1スコアの性能改善を先行技術と比較した。
論理的な推論問題では、11の絶対点の改善が達成される。
関連論文リスト
- Semantic Parsing for Question Answering over Knowledge Graphs [3.10647754288788]
本稿では,知識グラフ上での質問応答のためのグラフ・ツー・セグメンテーション・マッピングを用いた新しい手法を提案する。
この手法は、これらの発話を解釈するための重要なアプローチである意味解析に焦点を当てている。
我々のフレームワークはルールベースとニューラルベースを組み合わせて意味セグメントのシーケンスを解析・構築する。
論文 参考訳（メタデータ） (2023-12-01T20:45:06Z) - Improving Question Generation with Multi-level Content Planning [70.37285816596527]
本稿では、与えられたコンテキストと回答から質問を生成する問題に対処し、特に拡張されたコンテキストをまたいだマルチホップ推論を必要とする質問に焦点をあてる。
具体的には、キーフレーズを同時に選択して完全な回答を生成するFA-modelと、生成した全回答を付加的な入力として取り込んだQ-modelの2つのコンポーネントを含む。
論文 参考訳（メタデータ） (2023-10-20T13:57:01Z) - Conversational Semantic Parsing using Dynamic Context Graphs [68.72121830563906]
汎用知識グラフ(KG)を用いた会話意味解析の課題を,数百万のエンティティと数千のリレーショナルタイプで検討する。
ユーザ発話を実行可能な論理形式にインタラクティブにマッピングできるモデルに焦点を当てる。
論文 参考訳（メタデータ） (2023-05-04T16:04:41Z) - Semantic Parsing for Conversational Question Answering over Knowledge
Graphs [63.939700311269156]
本研究では,ユーザの質問にSparqlパースとアノテートし,システム回答が実行結果に対応するデータセットを開発する。
本稿では,2つの意味解析手法を提案し,その課題を強調した。
私たちのデータセットとモデルはhttps://github.com/Edinburgh/SPICE.orgで公開されています。
論文 参考訳（メタデータ） (2023-01-28T14:45:11Z) - Relation-Aware Language-Graph Transformer for Question Answering [21.244992938222246]
本稿では,言語とグラフを関連づける質問応答変換器(QAT, Question Answering Transformer)を提案する。
具体的には、QATはメタパストークンを構築し、多様な構造的および意味的関係に基づいて関係中心の埋め込みを学習する。
我々は,CommonsenseQA や OpenBookQA などの常識質問応答データセットと,医療質問応答データセット MedQA-USMLE について,QAT の有効性を検証する。
論文 参考訳（メタデータ） (2022-12-02T05:10:10Z) - UniKGQA: Unified Retrieval and Reasoning for Solving Multi-hop Question
Answering Over Knowledge Graph [89.98762327725112]
KGQA(Multi-hop Question Answering over Knowledge Graph)は、自然言語の質問で言及されているトピックエンティティから、複数のホップを持つ回答エンティティを見つけることを目的としている。
我々は、モデルアーキテクチャとパラメータ学習の両方において、検索と推論を統合することで、マルチホップKGQAタスクの新しいアプローチであるUniKGQAを提案する。
論文 参考訳（メタデータ） (2022-12-02T04:08:09Z) - Conversational Question Answering over Knowledge Graphs with Transformer
and Graph Attention Networks [4.550927535779247]
本稿では,知識グラフ上での(複雑な)会話型質問応答のタスクについて述べる。
LASAGNE (muLti-task semAntic parSing with trAnsformer and Graph atteNtion nEtworks) を提案する。
LASAGNEは10問中8問でF1スコアを改善した。
論文 参考訳（メタデータ） (2021-04-04T09:21:50Z) - Knowledge Graph Question Answering using Graph-Pattern Isomorphism [0.0]
TeBaQAは、SPARQLクエリの基本グラフパターンからグラフ同型に基づいて、質問に答えることを学ぶ。
TeBaQAはQALD-8で最先端のパフォーマンスを達成し、QALD-9とLC-QuAD v1で同等の結果を提供する。
論文 参考訳（メタデータ） (2021-03-11T16:03:24Z) - ClarQ: A large-scale and diverse dataset for Clarification Question
Generation [67.1162903046619]
そこで我々は,スタックエクスチェンジから抽出したポストコメンデーションに基づいて,多様な,大規模な明確化質問データセットの作成を支援する,新しいブートストラップフレームワークを考案した。
質問応答の下流タスクに適用することで,新たに作成したデータセットの有用性を定量的に示す。
我々はこのデータセットを公開し、ダイアログと質問応答システムの拡張という大きな目標を掲げて、質問生成の分野の研究を促進する。
論文 参考訳（メタデータ） (2020-06-10T17:56:50Z) - Semantic Graphs for Generating Deep Questions [98.5161888878238]
本稿では、まず、入力文書のセマンティックレベルグラフを構築し、次にアテンションベースのGGNN(Att-GGNN)を導入してセマンティックグラフを符号化する新しいフレームワークを提案する。
HotpotQAのDeep-question中心のデータセットでは、複数の事実の推論を必要とする問題よりもパフォーマンスが大幅に向上し、最先端のパフォーマンスを実現しています。
論文 参考訳（メタデータ） (2020-04-27T10:52:52Z)
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。