論文の概要: Integrating Subgraph-aware Relation and DirectionReasoning for Question Answering

• arxiv url: http://arxiv.org/abs/2104.00218v1
• Date: Thu, 1 Apr 2021 03:04:36 GMT
• ステータス: 処理完了
• システム内更新日: 2021-04-02 13:45:46.738930
• Title: Integrating Subgraph-aware Relation and DirectionReasoning for Question Answering
• Title（参考訳）: 質問応答のための部分グラフ認識関係と方向調整の統合
• Authors: Xu Wang, Shuai Zhao, Bo Cheng, Jiale Han, Yingting Li, Hao Yang, Ivan Sekulic, Guoshun Nan
• Abstract要約: 知識ベース(kbs)上の質問応答(qa)モデルは、エンティティ間の関係情報を利用することで、より正確な回答を提供できる。 本研究では,各サブグラフ内の関係を追加ノードに変換して構造情報を学習するニューラルモデル Relation-updated Direction-Guided Answer Selector (RDAS) を提案する。
• 参考スコア（独自算出の注目度）: 26.254684189099496
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Question Answering (QA) models over Knowledge Bases (KBs) are capable of providing more precise answers by utilizing relation information among entities. Although effective, most of these models solely rely on fixed relation representations to obtain answers for different question-related KB subgraphs. Hence, the rich structured information of these subgraphs may be overlooked by the relation representation vectors. Meanwhile, the direction information of reasoning, which has been proven effective for the answer prediction on graphs, has not been fully explored in existing work. To address these challenges, we propose a novel neural model, Relation-updated Direction-guided Answer Selector (RDAS), which converts relations in each subgraph to additional nodes to learn structure information. Additionally, we utilize direction information to enhance the reasoning ability. Experimental results show that our model yields substantial improvements on two widely used datasets.
• Abstract（参考訳）: 知識ベース(KB)上の質問回答(QA)モデルは、エンティティ間の関係情報を利用してより正確な回答を提供することができる。 有効ではあるが、これらのモデルのほとんどは、異なる質問関連KBサブグラフに対する回答を得るために、固定関係表現のみに依存する。 したがって、これらの部分グラフの豊富な構造化情報は、関係表現ベクトルによって見落とされうる。 一方、グラフの回答予測に有効であることが証明された推論の方向情報は、既存の研究で完全には検討されていない。 これらの課題に対処するために、各サブグラフ内の関係を付加ノードに変換して構造情報を学習するリレーショナル更新指向型アンサーセレクタ(RDAS)を提案する。 さらに,方向情報を利用して推論能力を向上させる。 実験結果から,2つの広く使用されているデータセットに対して,本モデルによる大幅な改善が得られた。

関連論文リスト

• G-SAP: Graph-based Structure-Aware Prompt Learning over Heterogeneous Knowledge for Commonsense Reasoning [8.02547453169677]
  本稿では,G-SAP という名称のコモンセンス推論のためのグラフベース構造認識プロンプト学習モデルを提案する。 特にエビデンスグラフは、ConceptNet、Wikipedia、Cambridge Dictionaryといった複数の知識ソースを統合することで構築される。 その結果、既存のモデル、特にOpenbookQAデータセット上のSoTA LM+GNNsモデルよりも6.12%改善された。
  論文  参考訳（メタデータ） (2024-05-09T08:28:12Z)
• Exploiting Abstract Meaning Representation for Open-Domain Question Answering [18.027908933572203]
  抽象的意味表現(AMR)グラフを用いて、複雑な意味情報を理解するモデルを支援する。 また,Natural Questions (NQ) と TriviaQA (TQ) の結果から,GST法が性能を著しく向上することを示した。
  論文  参考訳（メタデータ） (2023-05-26T16:00:16Z)
• Methods for Recovering Conditional Independence Graphs: A Survey [2.2721854258621064]
  条件付き独立グラフ(CIグラフ)は、機能関係に関する洞察を得るために使用される。 異なる手法をリストアップし、CIグラフを復元する手法の進歩について研究する。
  論文  参考訳（メタデータ） (2022-11-13T06:11:38Z)
• On Neural Architecture Inductive Biases for Relational Tasks [76.18938462270503]
  合成ネットワーク一般化(CoRelNet)と呼ばれる類似度分布スコアに基づく簡単なアーキテクチャを導入する。 単純なアーキテクチャの選択は、分布外一般化において既存のモデルより優れていることが分かる。
  論文  参考訳（メタデータ） (2022-06-09T16:24:01Z)
• Generative Relation Linking for Question Answering over Knowledge Bases [12.778133758613773]
  そこで本稿では, フレーミングを生成問題とする関係リンク手法を提案する。 このようなシーケンス・ツー・シーケンス・モデルを拡張して,対象とする知識ベースから構造化データを注入する。 我々は、議論-関係ペアのリストからなる構造化された出力を生成するためにモデルを訓練し、知識検証のステップを可能にする。
  論文  参考訳（メタデータ） (2021-08-16T20:33:43Z)
• Graph Information Bottleneck [77.21967740646784]
  グラフニューラルネットワーク(GNN)は、ネットワーク構造とノード機能から情報を融合する表現的な方法を提供する。 GIBは、一般的なInformation Bottleneck (IB) を継承し、与えられたタスクに対する最小限の表現を学習することを目的としている。 提案したモデルが最先端のグラフ防御モデルよりも堅牢であることを示す。
  論文  参考訳（メタデータ） (2020-10-24T07:13:00Z)
• Learning from Context or Names? An Empirical Study on Neural Relation Extraction [112.06614505580501]
  テキストにおける2つの主要な情報ソースの効果について検討する:テキストコンテキストとエンティティ参照(名前) 本稿では,関係抽出のための実体型コントラスト事前学習フレームワーク(RE)を提案する。 我々のフレームワークは、異なるREシナリオにおけるニューラルモデルの有効性と堅牢性を改善することができる。
  論文  参考訳（メタデータ） (2020-10-05T11:21:59Z)
• Type-augmented Relation Prediction in Knowledge Graphs [65.88395564516115]
  本稿では,タイプ情報とインスタンスレベルの情報の両方を関係予測に適用するタイプ拡張関係予測(TaRP)手法を提案する。 提案手法は,4つのベンチマークデータセット上での最先端手法よりも高い性能を実現する。
  論文  参考訳（メタデータ） (2020-09-16T21:14:18Z)
• Relation-Guided Representation Learning [53.60351496449232]
  本稿では,サンプル関係を明示的にモデル化し,活用する表現学習手法を提案する。 私たちのフレームワークは、サンプル間の関係をよく保存します。 サンプルをサブスペースに埋め込むことにより,本手法が大規模なサンプル外問題に対処可能であることを示す。
  論文  参考訳（メタデータ） (2020-07-11T10:57:45Z)
• Neural Relation Prediction for Simple Question Answering over Knowledge Graph [0.0]
  本稿では,質問の根底にある関係を抽出するインスタンスベースの手法を提案し,その目的のために,新しい質問の一致するパラフレーズを検出する。 提案手法を用いたSimpleQuestionsデータセット実験の結果,提案手法は最先端関係抽出モデルと比較して精度がよいことがわかった。
  論文  参考訳（メタデータ） (2020-02-18T16:41:24Z)
• Generative Adversarial Zero-Shot Relational Learning for Knowledge Graphs [96.73259297063619]
  我々は、この厄介なキュレーションを解放するために、新しい定式化、ゼロショット学習を考える。 新たに追加された関係について,テキスト記述から意味的特徴を学習しようと試みる。 我々は,GAN(Generative Adrial Networks)を活用し,テキストと知識グラフ領域の接続を確立する。
  論文  参考訳（メタデータ） (2020-01-08T01:19:08Z)

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。