論文の概要: Question Answering Over Temporal Knowledge Graphs

• arxiv url: http://arxiv.org/abs/2106.01515v1
• Date: Thu, 3 Jun 2021 00:45:07 GMT
• ステータス: 処理完了
• システム内更新日: 2021-06-05 03:31:24.499585
• Title: Question Answering Over Temporal Knowledge Graphs
• Title（参考訳）: 時間知識グラフによる質問応答
• Authors: Apoorv Saxena, Soumen Chakrabarti and Partha Talukdar
• Abstract要約: 時間的知識グラフ(Temporal Knowledge Graphs)は、KGの各エッジに時間的スコープ(開始時間と終了時間)を提供することによって、通常の知識グラフを拡張する。 KG に関する質問回答 (KGQA) は研究コミュニティから注目されているが、時間 KG に関する質問回答 (Temporal KGQA) は比較的未調査の分野である。 本稿では,時間的KGQAデータセットとして最大であるCRONQUESTIONSについて述べる。
• 参考スコア（独自算出の注目度）: 20.479222151497495
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Temporal Knowledge Graphs (Temporal KGs) extend regular Knowledge Graphs by providing temporal scopes (start and end times) on each edge in the KG. While Question Answering over KG (KGQA) has received some attention from the research community, QA over Temporal KGs (Temporal KGQA) is a relatively unexplored area. Lack of broad coverage datasets has been another factor limiting progress in this area. We address this challenge by presenting CRONQUESTIONS, the largest known Temporal KGQA dataset, clearly stratified into buckets of structural complexity. CRONQUESTIONS expands the only known previous dataset by a factor of 340x. We find that various state-of-the-art KGQA methods fall far short of the desired performance on this new dataset. In response, we also propose CRONKGQA, a transformer-based solution that exploits recent advances in Temporal KG embeddings, and achieves performance superior to all baselines, with an increase of 120% in accuracy over the next best performing method. Through extensive experiments, we give detailed insights into the workings of CRONKGQA, as well as situations where significant further improvements appear possible. In addition to the dataset, we have released our code as well.
• Abstract（参考訳）: 時間的知識グラフ(Temporal Knowledge Graphs)は、KGの各エッジに時間的スコープ(開始時間と終了時間)を提供することによって、通常の知識グラフを拡張する。 KG に関する質問回答 (KGQA) は研究コミュニティから注目されているが、時間 KG に関する質問回答 (Temporal KGQA) は未調査領域である。 広範なカバレッジデータセットの欠如は、この分野の進展を制限するもう1つの要因である。 我々は,最大の時間的kgqaデータセットであるcronquestionsを,構造的複雑性のバケットに階層化することで,この問題に対処した。 CRONQUESTIONSは、既知の唯一のデータセットを340倍に拡張する。 我々は、最先端のKGQAメソッドが、この新しいデータセットで望まれるパフォーマンスにはるかに劣っていることを発見した。 また,CRONKGQAを提案する。CRONKGQAは時間的KG埋め込みの最近の進歩を生かし,全てのベースラインよりも優れた性能を実現し,次の最適化手法よりも精度が120%向上する。 広範な実験を通じて,CRONKGQAの作業状況や,さらなる改善が期待できる状況について,詳細な知見を提供する。 データセットに加えて、コードもリリースしました。

関連論文リスト

• Generate-on-Graph: Treat LLM as both Agent and KG in Incomplete Knowledge Graph Question Answering [90.30473970040362]
  我々は、知識グラフ(KG)を探索しながら、新しい実写トリプルを生成できる、Generate-on-Graph(GoG)と呼ばれる学習自由な手法を提案する。 具体的には、LLMをKGを探索するエージェントとして扱うだけでなく、KGとして扱い、探索したサブグラフに基づいて新たな事実を生成する選択生成探索フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-04-23T04:47:22Z)
• FedCQA: Answering Complex Queries on Multi-Source Knowledge Graphs via Federated Learning [55.02512821257247]
  複雑な論理的問合せ応答は知識グラフ(KG)の課題である 近年、KGエンティティを埋め込みベクトルに表現し、KGからの論理的クエリに対する回答を求める手法が提案されている。 マルチソースKGのクエリにどのように答えるかは、まだ不明である。
  論文  参考訳（メタデータ） (2024-02-22T14:57:44Z)
• Question Answering Over Spatio-Temporal Knowledge Graph [13.422936134074629]
  時空間知識グラフ質問応答(STKGQA)を組み込んだ1万の自然言語質問からなるデータセットを提案する。 質問から時間的・空間的な情報を抽出することにより、質問をよりよく理解し、STKGから正確な回答を得られる。
  論文  参考訳（メタデータ） (2024-02-18T10:44:48Z)
• Collective Knowledge Graph Completion with Mutual Knowledge Distillation [11.922522192224145]
  我々は,異なるKGからの集合的知識の最大化に焦点をあてるマルチKG完備化の問題について検討する。 CKGC-CKDと呼ばれる,個々のKGと大きな融合KGの両方で,関係対応グラフ畳み込みネットワークエンコーダモデルを用いる新しい手法を提案する。 複数言語データセットによる実験結果から,本手法はKGCタスクにおけるすべての最先端モデルより優れていることが示された。
  論文  参考訳（メタデータ） (2023-05-25T09:49:40Z)
• Search to Pass Messages for Temporal Knowledge Graph Completion [97.40256786473516]
  我々は、時間知識グラフ(TKG)の補完のために、NAS(Neural Architecture Search)を用いて、データ固有のメッセージパッシングアーキテクチャを設計することを提案する。 特に,TKGにおけるトポロジカルおよび時間的情報を探るための一般化されたフレームワークを開発する。 より低コストで効率的な探索のために単一経路をサンプリングし,スーパーネット構造を訓練する探索アルゴリズムを採用する。
  論文  参考訳（メタデータ） (2022-10-30T04:05:06Z)
• Reasoning over Multi-view Knowledge Graphs [59.99051368907095]
  ROMAは、マルチビューKG上で論理クエリに応答する新しいフレームワークである。 大規模(数百万の事実など)のKGや粒度の細かいビューまでスケールする。 トレーニング中に観測されていない構造やKGビューのクエリを一般化する。
  論文  参考訳（メタデータ） (2022-09-27T21:32:20Z)
• Knowledge Graph Question Answering Datasets and Their Generalizability: Are They Enough for Future Research? [0.7817685358710509]
  5つの異なる知識グラフ(KGs)のためのよく知られたKGQAデータセット25の解析 この定義によれば、既存のオンラインKGQAデータセットの多くは、一般化可能なKGQAシステムのトレーニングには適していないか、あるいは、データセットが廃止および時代遅れのKGに基づいていることが示されている。 本稿では,利用可能なKGQAデータセットを再分割し,コストや手作業を伴わずに一般化を評価するための緩和手法を提案する。
  論文  参考訳（メタデータ） (2022-05-13T12:01:15Z)
• Knowledge Graph Question Answering Leaderboard: A Community Resource to Prevent a Replication Crisis [61.740077541531726]
  コミュニティの焦点として、KGQAベンチマークデータセットに対して、新たな中心的でオープンなリーダボードを提供しています。 本分析は,KGQAシステムの評価において,既存の問題点を浮き彫りにする。
  論文  参考訳（メタデータ） (2022-01-20T13:46:01Z)
• Complex Temporal Question Answering on Knowledge Graphs [22.996399822102575]
  この研究は、複雑な時間的質問に答える最初のエンドツーエンドシステムであるEXAQTを提示する。 知識グラフ(KG)に関する自然言語の質問には、高いリコールを目標とし、上位ランクの精度を目標とする2つのステージで答える。 我々は、様々な汎用KG-QAベンチマークから収集された16kの時間的質問の大規模なデータセットであるTimeQuestionsのEXAQTを評価する。
  論文  参考訳（メタデータ） (2021-09-18T13:41:43Z)
• Toward Subgraph-Guided Knowledge Graph Question Generation with Graph Neural Networks [53.58077686470096]
  知識グラフ(KG)質問生成(QG)は,KGから自然言語質問を生成することを目的とする。 本研究は,KGサブグラフから質問を生成し,回答をターゲットとする,より現実的な環境に焦点を当てる。
  論文  参考訳（メタデータ） (2020-04-13T15:43:22Z)

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。