論文の概要: Complex Temporal Question Answering on Knowledge Graphs

• arxiv url: http://arxiv.org/abs/2109.08935v1
• Date: Sat, 18 Sep 2021 13:41:43 GMT
• ステータス: 処理完了
• システム内更新日: 2021-09-21 16:23:33.090628
• Title: Complex Temporal Question Answering on Knowledge Graphs
• Title（参考訳）: 知識グラフに基づく複合時間質問応答
• Authors: Zhen Jia, Soumajit Pramanik, Rishiraj Saha Roy, Gerhard Weikum
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 22.996399822102575
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Question answering over knowledge graphs (KG-QA) is a vital topic in IR. Questions with temporal intent are a special class of practical importance, but have not received much attention in research. This work presents EXAQT, the first end-to-end system for answering complex temporal questions that have multiple entities and predicates, and associated temporal conditions. EXAQT answers natural language questions over KGs in two stages, one geared towards high recall, the other towards precision at top ranks. The first step computes question-relevant compact subgraphs within the KG, and judiciously enhances them with pertinent temporal facts, using Group Steiner Trees and fine-tuned BERT models. The second step constructs relational graph convolutional networks (R-GCNs) from the first step's output, and enhances the R-GCNs with time-aware entity embeddings and attention over temporal relations. We evaluate EXAQT on TimeQuestions, a large dataset of 16k temporal questions we compiled from a variety of general purpose KG-QA benchmarks. Results show that EXAQT outperforms three state-of-the-art systems for answering complex questions over KGs, thereby justifying specialized treatment of temporal QA.
• Abstract（参考訳）: 知識グラフ(KG-QA)に対する質問応答は、IRにおいて重要なトピックである。 時間的意図を持つ質問は、実用上重要な特別なクラスであるが、研究ではあまり注目されていない。 この研究は、複数の実体と述語を持ち、関連する時間的条件を持つ複雑な時間的問題に答える最初のエンドツーエンドシステムEXAQTを示す。 exaqtは2つの段階において、自然言語に関する2つの質問に答える。 最初のステップは、KG内の質問関連コンパクト部分グラフを計算し、グループスタイナーツリーと細調整されたBERTモデルを用いて、関連する時間的事実でそれらを指数関数的に拡張する。 第2のステップは、第1のステップの出力からリレーショナルグラフ畳み込みネットワーク(R-GCN)を構築し、タイムアウェアなエンティティの埋め込みと時間的関係に対する注意によってR-GCNを強化する。 我々は、様々な汎用KG-QAベンチマークから収集した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。 以上の結果から,EXAQTは3つの最先端システムより優れており,時間的QAの専門的治療を正当化していることがわかった。

関連論文リスト

• 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)
• Joint Multi-Facts Reasoning Network For Complex Temporal Question Answering Over Knowledge Graph [34.44840297353777]
  時間的知識グラフ(TKG)は、時間範囲をアタッチすることで、通常の知識グラフの拡張である。 textbfunderlineMulti textbfunderlineFacts textbfunderlineReasoning textbfunderlineNetwork (JMFRN)を提案する。
  論文  参考訳（メタデータ） (2024-01-04T11:34:39Z)
• 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)
• TwiRGCN: Temporally Weighted Graph Convolution for Question Answering over Temporal Knowledge Graphs [35.50055476282997]
  時間的質問応答(QA)のための関係グラフ畳み込みネットワーク(RGCN)の一般化方法を示す。 コンボリューション中にKGエッジを通過するメッセージを変調する,新しい,直感的で解釈可能な方式を提案する。 TwiRGCN(TwiRGCN)と呼ばれる、複雑な時間的QAのための、最近リリースされた挑戦的データセットであるTimeQuestions(TimeQuestions)において、結果システムを評価する。
  論文  参考訳（メタデータ） (2022-10-12T15:03:49Z)
• Improving Time Sensitivity for Question Answering over Temporal Knowledge Graphs [13.906994055281826]
  本稿では,これらの問題に対処するための時間依存型質問応答(TSQA)フレームワークを提案する。 TSQAは、未記述のタイムスタンプを質問から推測するタイムスタンプ推定モジュールを備えている。 また、TSQAがベースとしている時間依存性KGエンコーダを用いて、時間依存性KGエンコーダを用いて、時間依存性KGエンコーダを注入する。
  論文  参考訳（メタデータ） (2022-03-01T06:21:14Z)
• TempoQR: Temporal Question Reasoning over Knowledge Graphs [11.054877399064804]
  本稿では,知識グラフに関する複雑な疑問に答える包括的埋め込み型フレームワークを提案する。 提案手法は時間的問題推論(TempoQR)と呼ばれ、TKGの埋め込みを利用して、対象とする特定のエンティティや時間範囲に疑問を定めている。 実験の結果,TempoQRの精度は25～45ポイント向上した。
  論文  参考訳（メタデータ） (2021-12-10T23:59:14Z)
• Relation-Guided Pre-Training for Open-Domain Question Answering [67.86958978322188]
  複雑なオープンドメイン問題を解決するためのRGPT-QA(Relation-Guided Pre-Training)フレームワークを提案する。 RGPT-QAは, 自然質問, TriviaQA, WebQuestionsにおいて, Exact Matchの精度が2.2%, 2.4%, 6.3%向上したことを示す。
  論文  参考訳（メタデータ） (2021-09-21T17:59:31Z)
• QA-GNN: Reasoning with Language Models and Knowledge Graphs for Question Answering [122.84513233992422]
  学習済み言語モデル(LM)と知識グラフ(KG)の知識を用いて質問に答える問題に対処する新しいモデルであるQA-GNNを提案する。 既存のLMとLM+KGモデルに対する改善と、解釈可能で構造化された推論を行う能力を示しています。
  論文  参考訳（メタデータ） (2021-04-13T17:32:51Z)
• A Survey on Complex Question Answering over Knowledge Base: Recent Advances and Challenges [71.4531144086568]
  知識ベース(KB)に対する質問回答(QA)は、自然言語の質問に自動的に答えることを目的としている。 研究者は、よりKBのトリプルと制約推論を必要とする単純な質問から複雑な質問へと注意を移した。
  論文  参考訳（メタデータ） (2020-07-26T07:13:32Z)
• 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。