論文の概要: An Intelligent Question Answering System based on Power Knowledge Graph
- arxiv url: http://arxiv.org/abs/2106.09013v1
- Date: Wed, 16 Jun 2021 17:57:51 GMT
- ステータス: 処理完了
- システム内更新日: 2021-06-17 17:26:49.382653
- Title: An Intelligent Question Answering System based on Power Knowledge Graph
- Title（参考訳）: パワー知識グラフに基づく知的質問応答システム
- Authors: Yachen Tang, Haiyun Han, Xianmao Yu, Jing Zhao, Guangyi Liu, and
Longfei Wei
- Abstract要約: 本稿では、電力の巨大異種データからグラフデータベースとグラフコンピューティング技術を用いて、ドメイン知識グラフを紹介する。
その後、電力知識グラフに基づくIQAシステムを提案し、自然尋問の意図と制約を抽出した。
提案した研究は、文脈対応のインテリジェントな質問と回答の基盤を提供することもできる。
- 参考スコア（独自算出の注目度）: 4.424381928034146
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The intelligent question answering (IQA) system can accurately capture users'
search intention by understanding the natural language questions, searching
relevant content efficiently from a massive knowledge-base, and returning the
answer directly to the user. Since the IQA system can save inestimable time and
workforce in data search and reasoning, it has received more and more attention
in data science and artificial intelligence. This article introduced a domain
knowledge graph using the graph database and graph computing technologies from
massive heterogeneous data in electric power. It then proposed an IQA system
based on the electrical power knowledge graph to extract the intent and
constraints of natural interrogation based on the natural language processing
(NLP) method, to construct graph data query statements via knowledge reasoning,
and to complete the accurate knowledge search and analysis to provide users
with an intuitive visualization. This method thoroughly combined knowledge
graph and graph computing characteristics, realized high-speed multi-hop
knowledge correlation reasoning analysis in tremendous knowledge. The proposed
work can also provide a basis for the context-aware intelligent question and
answer.
- Abstract（参考訳）: 知的な質問応答(IQA)システムは、自然言語の質問を理解し、大量の知識ベースから関連コンテンツを効率的に検索し、ユーザに直接回答を返すことによって、ユーザの検索意図を正確に把握することができる。
IQAシステムは、データ検索と推論において推定不可能な時間と労働力を節約できるため、データサイエンスと人工知能にますます注目を集めている。
本稿では、電力の巨大異種データからグラフデータベースとグラフコンピューティング技術を用いて、ドメイン知識グラフを紹介した。
次に,自然言語処理(nlp)法に基づく自然問合せの意図と制約を抽出し,知識推論によるグラフデータ問合せ文を構築し,正確な知識検索と分析を完了し,直感的な可視化を実現するための,電力知識グラフに基づくiqaシステムを提案する。
本手法は,知識グラフとグラフ計算特性を徹底的に組み合わせ,膨大な知識量で高速マルチホップ知識相関推論解析を実現する。
提案する研究は、文脈認識型知的質問と回答の基盤を提供することもできる。
関連論文リスト
- Question-guided Knowledge Graph Re-scoring and Injection for Knowledge Graph Question Answering [27.414670144354453]
KGQAは知識グラフに格納された構造化情報を活用することで自然言語の質問に答える。
本稿では,Q-KGR(Q-Guided Knowledge Graph Re-scoring method)を提案する。
また,大規模言語モデルに再認識された知識グラフを注入するパラメータ効率の高い手法であるKnowformerを導入し,事実推論を行う能力を高める。
論文 参考訳（メタデータ） (2024-10-02T10:27:07Z) - Utilizing Background Knowledge for Robust Reasoning over Traffic
Situations [63.45021731775964]
我々は、インテリジェントトランスポーテーションの補完的な研究側面である交通理解に焦点を当てる。
本研究は,豊富なコモンセンス知識を前提として,テキストベースの手法とデータセットを対象とする。
交通状況に対するゼロショットQAには3つの知識駆動アプローチを採用しています。
論文 参考訳（メタデータ） (2022-12-04T09:17:24Z) - Structured Knowledge Grounding for Question Answering [0.23068481501673416]
本稿では,知識に基づく質問応答の柔軟性,範囲の広さ,構造的推論に言語と知識を活用することを提案する。
具体的には,動的ホップを用いて関連するコンテキストを検索する知識構築手法を考案する。
そして、言語と知識の間のボトルネックを交換する情報を橋渡しする深層融合機構を考案する。
論文 参考訳（メタデータ） (2022-09-17T08:48:50Z) - VQA-GNN: Reasoning with Multimodal Knowledge via Graph Neural Networks
for Visual Question Answering [79.22069768972207]
本稿では,VQA-GNNモデルを提案する。VQA-GNNは,非構造化知識と構造化知識の双方向融合を行い,統一知識表現を得る。
具体的には,シーングラフとコンセプトグラフを,QAコンテキストを表すスーパーノードを介して相互接続する。
課題2つのVQAタスクにおいて,本手法はVCRが3.2%,GQAが4.6%,強いベースラインVQAが3.2%向上し,概念レベルの推論を行う上での強みが示唆された。
論文 参考訳（メタデータ） (2022-05-23T17:55:34Z) - Dynamic Key-value Memory Enhanced Multi-step Graph Reasoning for
Knowledge-based Visual Question Answering [18.926582410644375]
知識に基づく視覚的質問応答(VQA)は、エージェントが画像関連の質問に正しく答えることを必要とする視覚言語タスクである。
動的知識メモリ強化多段階グラフ推論(DMMGR)という新しいモデルを提案する。
我々のモデルはKRVQRとFVQAデータセット上で新しい最先端の精度を実現する。
論文 参考訳（メタデータ） (2022-03-06T15:19:39Z) - Contextualized Knowledge-aware Attentive Neural Network: Enhancing
Answer Selection with Knowledge [77.77684299758494]
ナレッジグラフ(KG)による外部知識による回答選択モデル向上のアプローチを幅広く検討しています。
まず、KGの外部知識とテキスト情報との密接な相互作用を考慮し、QA文表現を学習するコンテキスト知識相互作用学習フレームワークであるナレッジアウェアニューラルネットワーク(KNN)を紹介します。
KG情報の多様性と複雑性に対処するために, カスタマイズされたグラフ畳み込みネットワーク (GCN) を介して構造情報を用いた知識表現学習を改善し, コンテキストベースおよび知識ベースの文表現を総合的に学習する コンテキスト型知識認識型アテンシブニューラルネットワーク (CKANN) を提案する。
論文 参考訳（メタデータ） (2021-04-12T05:52:20Z) - KRISP: Integrating Implicit and Symbolic Knowledge for Open-Domain
Knowledge-Based VQA [107.7091094498848]
VQAの最も難しい質問の1つは、質問に答えるために画像に存在しない外部の知識を必要とする場合です。
本研究では,解答に必要な知識が与えられたり記入されたりしないオープンドメイン知識を,トレーニング時やテスト時にも検討する。
知識表現と推論には2つのタイプがあります。
まず、トランスベースのモデルで教師なし言語事前トレーニングと教師付きトレーニングデータから効果的に学ぶことができる暗黙的な知識。
論文 参考訳（メタデータ） (2020-12-20T20:13:02Z) - Knowledge-Routed Visual Question Reasoning: Challenges for Deep
Representation Embedding [140.5911760063681]
VQAモデル評価のためのナレッジルーティング視覚質問推論という新しいデータセットを提案する。
視覚ゲノムシーングラフと外部知識ベースの両方に基づいて,制御プログラムを用いて質問応答対を生成する。
論文 参考訳（メタデータ） (2020-12-14T00:33:44Z) - Mobile Link Prediction: Automated Creation and Crowd-sourced Validation
of Knowledge Graphs [2.8360662552057323]
本稿では, 自動化, 専門家, クラウドソーシングによる市民の知識を融合した, 広汎な知識グラフ構築手法を提案する。
ナレッジグラフは、人間によって検証された遺伝的プログラミングを使用して、リンクの自動予測を通じて成長する。
実世界の社会実験において,知識グラフビルダーの精度,実用性,ユーザビリティを評価した。
論文 参考訳（メタデータ） (2020-06-30T14:50:34Z) - A Heterogeneous Graph with Factual, Temporal and Logical Knowledge for
Question Answering Over Dynamic Contexts [81.4757750425247]
動的テキスト環境における質問応答について検討する。
構築したグラフ上にグラフニューラルネットワークを構築し,エンドツーエンドでモデルをトレーニングする。
論文 参考訳（メタデータ） (2020-04-25T04:53:54Z)
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。