論文の概要: Improving Embedded Knowledge Graph Multi-hop Question Answering by
introducing Relational Chain Reasoning
- arxiv url: http://arxiv.org/abs/2110.12679v1
- Date: Mon, 25 Oct 2021 06:53:02 GMT
- ステータス: 処理完了
- システム内更新日: 2021-10-26 15:41:45.971918
- Title: Improving Embedded Knowledge Graph Multi-hop Question Answering by
introducing Relational Chain Reasoning
- Title(参考訳): リレーショナルチェイン推論の導入による組込み知識グラフマルチホップ質問応答の改善
- Authors: Weiqiang Jin, Hang Yu, Xi Tao, Ruiping Yin
- Abstract要約: 知識ベース質問回答(KBQA)は、トピックエンティティと回答の間の推論を識別することで、知識ベース(KB)からのユーザ要求に答える。
KBQA の複素分岐タスクとして、マルチホップ KGQA は構造化された KG に保存された多重ホップ関係鎖の推論を必要とする。
- 参考スコア(独自算出の注目度): 8.05076085499457
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Knowledge Base Question Answering (KBQA) aims to answer userquestions from a
knowledge base (KB) by identifying the reasoningrelations between topic entity
and answer. As a complex branchtask of KBQA, multi-hop KGQA requires reasoning
over multi-hop relational chains preserved in KG to arrive at the right
answer.Despite the successes made in recent years, the existing works
onanswering multi-hop complex question face the following challenges: i)
suffering from poor performances due to the neglect of explicit relational
chain order and its relational types reflected inuser questions; ii) failing to
consider implicit relations between thetopic entity and the answer implied in
structured KG because oflimited neighborhood size constraints in subgraph
retrieval based algorithms. To address these issues in multi-hop KGQA, we
proposea novel model in this paper, namely Relational Chain-based Embed-ded
KGQA (Rce-KGQA), which simultaneously utilizes the explicitrelational chain
described in natural language questions and the implicit relational chain
stored in structured KG. Our extensiveempirical study on two open-domain
benchmarks proves that ourmethod significantly outperforms the state-of-the-art
counterpartslike GraftNet, PullNet and EmbedKGQA. Comprehensive ablation
experiments also verify the effectiveness of our method for multi-hop KGQA
tasks. We have made our model's source code availableat Github:
https://github.com/albert-jin/Rce-KGQA.
- Abstract(参考訳): KBQA(Knowledge Base Question Answering)は、トピックエンティティと回答の間の推論を識別することによって、知識ベース(KB)からのユーザ要求に答えることを目的としている。
KBQAの複雑な分岐タスクであるマルチホップKGQAでは、KGに保存されているマルチホップリレーショナルチェーンの推論が正しい解に到達する必要があるが、近年の成功にもかかわらず、既存のマルチホップ複素問題への回答は以下の課題に直面している。
一 明示的関係連鎖順序の無視及び関係型が不使用者質問を反映していることによる業績の悪化
二 部分グラフ検索に基づくアルゴリズムにおいて、近傍の制限が限られているため、構成されたKGに暗黙の関係を考慮できないこと。
マルチホップKGQAにおけるこれらの問題に対処するため,本論文では,自然言語問題に記述された明示的関係鎖と構造化KGに格納された暗黙的関係鎖を同時に利用するリレーショナルチェインベースの埋め込みKGQA(Rce-KGQA)という新しいモデルを提案する。
2つのオープンドメインベンチマークに関する広範囲な実証研究により,wemethod が graftnet,pullnet,embedkgqa といった最先端のベンチマークを有意に上回っていることが証明された。
包括的アブレーション実験では,マルチホップKGQAタスクに対する本手法の有効性も検証した。
私たちは、私たちのモデルのソースコードをGithubで公開しました。
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) - Logical Message Passing Networks with One-hop Inference on Atomic
Formulas [57.47174363091452]
本稿では,ニューラルネットワーク演算子から知識グラフの埋め込みを分解する,複雑な問合せ応答のためのフレームワークを提案する。
クエリグラフの上に、局所的な原子式上のワンホップ推論とグローバル論理的推論を結びつける論理メッセージパッシングニューラルネットワーク(LMPNN)を提案する。
我々のアプローチは、最先端のニューラルCQAモデルをもたらす。
論文 参考訳(メタデータ) (2023-01-21T02:34:06Z) - 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) - QAGCN: Answering Multi-Relation Questions via Single-Step Implicit Reasoning over Knowledge Graphs [12.354648004427824]
マルチリレーション質問応答(QA)は難しい課題である。
KGに対する明示的な多段階推論を持つ最近の手法はこの課題で顕著に用いられている。
マルチリレーショナルQAは、エンド・ツー・エンドのシングルステップの暗黙の推論によって達成できると論じる。
論文 参考訳(メタデータ) (2022-06-03T21:01:48Z) - Knowledge Base Question Answering by Case-based Reasoning over Subgraphs [81.22050011503933]
本モデルでは,既存のKG補完アルゴリズムよりも複雑な推論パターンを必要とする問合せに対して,より効果的に答えることを示す。
提案モデルは、KBQAベンチマークの最先端モデルよりも優れているか、競合的に動作する。
論文 参考訳(メタデータ) (2022-02-22T01:34:35Z) - Path-Enhanced Multi-Relational Question Answering with Knowledge Graph
Embeddings [16.21156041758793]
PKEEQA(Path and Knowledge Embedding-Enhanced Multi-Relational Question Answering Model)を提案する。
PKEEQAは多関係質問に対するKBQAモデルの性能を、経路からある程度派生した説明可能性で改善することを示す。
論文 参考訳(メタデータ) (2021-10-29T08:37:46Z) - 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) - Query Embedding on Hyper-relational Knowledge Graphs [0.4779196219827507]
マルチホップ論理推論は知識グラフ上の表現学習の分野で確立された問題である。
我々はマルチホップ推論問題をハイパーリレーショナルなKGに拡張し、この新しいタイプの複雑なクエリに対処する。
論文 参考訳(メタデータ) (2021-06-15T14:08:50Z) - 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)
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。