論文の概要: Complex Factoid Question Answering with a Free-Text Knowledge Graph

• arxiv url: http://arxiv.org/abs/2103.12876v1
• Date: Tue, 23 Mar 2021 22:53:09 GMT
• ステータス: 処理完了
• システム内更新日: 2021-03-25 22:57:58.039554
• Title: Complex Factoid Question Answering with a Free-Text Knowledge Graph
• Title（参考訳）: 自由テキスト知識グラフを用いた複雑なファクトイド質問応答
• Authors: Chen Zhao, Chenyan Xiong, Xin Qian and Jordan Boyd-Graber
• Abstract要約: DELFTはウィキペディアからフリーテキスト知識グラフを構築している。 質問ごとに、DELFTは質問エンティティノードをエッジとしてテキスト文を使用して候補にリンクするサブグラフを見つけます。 エッジ文に沿った情報を介してノード上の自由テキストグラフ結合の証拠の上に新しいグラフニューラルネットワークの理由最終的な答えを選択します。
• 参考スコア（独自算出の注目度）: 20.889798402634323
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We introduce DELFT, a factoid question answering system which combines the nuance and depth of knowledge graph question answering approaches with the broader coverage of free-text. DELFT builds a free-text knowledge graph from Wikipedia, with entities as nodes and sentences in which entities co-occur as edges. For each question, DELFT finds the subgraph linking question entity nodes to candidates using text sentences as edges, creating a dense and high coverage semantic graph. A novel graph neural network reasons over the free-text graph-combining evidence on the nodes via information along edge sentences-to select a final answer. Experiments on three question answering datasets show DELFT can answer entity-rich questions better than machine reading based models, bert-based answer ranking and memory networks. DELFT's advantage comes from both the high coverage of its free-text knowledge graph-more than double that of dbpedia relations-and the novel graph neural network which reasons on the rich but noisy free-text evidence.
• Abstract（参考訳）: DELFTは,知識グラフ質問応答アプローチのニュアンスと深さを,自由文の広範なカバレッジと組み合わせたファクトイド質問応答システムである。 DELFTはウィキペディアから自由テキスト知識グラフを構築し、エンティティをノードとして、エンティティをエッジとして共起する文として提供する。 各質問に対して、DELFTは、テキストをエッジとして使用する候補に質問エンティティノードをリンクするサブグラフを見つけ、密度の高い高カバレッジセマンティックグラフを作成する。 新しいグラフニューラルネットワークは、エッジ文に関する情報を介して、ノード上の自由テキストグラフのエビデンスを合成し、最終回答を選択する。 3つの質問応答データセットの実験では、DELFTは、マシン読み取りベースのモデル、bertベースの回答ランキング、メモリネットワークよりも、エンティティリッチな質問に答えることができる。 DELFTの利点は、その自由テキスト知識グラフ(dbpediaリレーションシップの倍以上)の高カバレッジと、リッチだがノイズの多い自由テキストエビデンスに基づく新しいグラフニューラルネットワークの両方にある。

関連論文リスト

• Integrating Large Language Models with Graph-based Reasoning for Conversational Question Answering [58.17090503446995]
  我々は,テキストや知識グラフ,テーブル,インフォボックスといった異質な情報源から収集された証拠について,文脈における質問の理解と推論の課題を組み合わせた会話型質問応答タスクに着目する。 提案手法はグラフ構造表現を用いて質問とその文脈に関する情報を集約する。
  論文  参考訳（メタデータ） (2024-06-14T13:28:03Z)
• EntailE: Introducing Textual Entailment in Commonsense Knowledge Graph Completion [54.12709176438264]
  Commonsense knowledge graph(CSKG)は、名前付きエンティティ、短いフレーズ、イベントをノードとして表現するために自由形式のテキストを使用する。 現在の手法では意味的類似性を利用してグラフ密度を増大させるが、ノードとその関係のセマンティックな妥当性は未探索である。 そこで本研究では,CSKGノード間の暗黙的な包絡関係を見つけるために,テキストエンテーメントを導入し,同じ概念クラス内のサブグラフ接続ノードを効果的に密度化することを提案する。
  論文  参考訳（メタデータ） (2024-02-15T02:27:23Z)
• G-Retriever: Retrieval-Augmented Generation for Textual Graph Understanding and Question Answering [61.93058781222079]
  現実のテキストグラフを対象とするフレキシブルな問合せフレームワークを開発した。 一般のテキストグラフに対する最初の検索拡張生成(RAG)手法を提案する。 G-Retrieverは、このタスクをSteiner Tree最適化問題として定式化し、グラフ上でRAGを実行する。
  論文  参考訳（メタデータ） (2024-02-12T13:13:04Z)
• 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)
• GreaseLM: Graph REASoning Enhanced Language Models for Question Answering [159.9645181522436]
  GreaseLMは、事前訓練されたLMとグラフニューラルネットワークの符号化された表現を、複数の層にわたるモダリティ相互作用操作で融合する新しいモデルである。 GreaseLMは、状況制約と構造化知識の両方の推論を必要とする問題に、より確実に答えることができる。
  論文  参考訳（メタデータ） (2022-01-21T19:00:05Z)
• Controversy Detection: a Text and Graph Neural Network Based Approach [0.0]
  論争の内容は、ポジティブとネガティブの両方のフィードバックを惹きつけるあらゆるコンテンツを指す。 既存のアプローチのほとんどは、トピックのディスカッションやメッセージの内容のグラフ構造に依存しています。 本稿では,議論のグラフ構造とテキストの特徴に基づく論争検出手法を提案する。
  論文  参考訳（メタデータ） (2021-12-03T09:06:46Z)
• UNIQORN: Unified Question Answering over RDF Knowledge Graphs and Natural Language Text [20.1784368017206]
  知識グラフのようなRDFデータに対する質問応答は大幅に進歩している。 IRとNLPのコミュニティはテキストによるQAに対処してきたが、そのようなシステムは意味データや知識をほとんど利用していない。 本稿では,RDFデータセットとテキストコーパスを併用した複雑な質問をシームレスに操作する手法を提案する。
  論文  参考訳（メタデータ） (2021-08-19T10:50:52Z)
• 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)
• Heterogeneous Graph Neural Networks for Extractive Document Summarization [101.17980994606836]
  クロス文関係は、抽出文書要約における重要なステップである。 We present a graph-based neural network for extractive summarization (HeterSumGraph) 抽出文書要約のためのグラフベースニューラルネットワークに異なる種類のノードを導入する。
  論文  参考訳（メタデータ） (2020-04-26T14:38:11Z)

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。