論文の概要: Outlining and Filling: Hierarchical Query Graph Generation for Answering Complex Questions over Knowledge Graph

• arxiv url: http://arxiv.org/abs/2111.00732v1
• Date: Mon, 1 Nov 2021 07:08:46 GMT
• ステータス: 処理完了
• システム内更新日: 2021-11-03 02:24:56.029117
• Title: Outlining and Filling: Hierarchical Query Graph Generation for Answering Complex Questions over Knowledge Graph
• Title（参考訳）: アウトラインとファイリング: ナレッジグラフ上の複雑な質問に答える階層的クエリグラフ生成
• Authors: Yongrui Chen, Huiying Li, Guilin Qi, Tianxing Wu, and Tenggou Wang
• Abstract要約: クエリグラフを構築するための新しい2段階のアプローチを提案する。 最初の段階では、上位$kの関連インスタンスは単純な戦略で収集される。 第2段階では、グラフ生成モデルが階層生成を行う。
• 参考スコア（独自算出の注目度）: 16.26384829957165
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Query graph building aims to build correct executable SPARQL over the knowledge graph for answering natural language questions. Although recent approaches perform well by NN-based query graph ranking, more complex questions bring three new challenges: complicated SPARQL syntax, huge search space for ranking, and noisy query graphs with local ambiguity. This paper handles these challenges. Initially, we regard common complicated SPARQL syntax as the sub-graphs comprising of vertices and edges and propose a new unified query graph grammar to adapt them. Subsequently, we propose a new two-stage approach to build query graphs. In the first stage, the top-$k$ related instances (entities, relations, etc.) are collected by simple strategies, as the candidate instances. In the second stage, a graph generation model performs hierarchical generation. It first outlines a graph structure whose vertices and edges are empty slots, and then fills the appropriate instances into the slots, thereby completing the query graph. Our approach decomposes the unbearable search space of entire query graphs into affordable sub-spaces of operations, meanwhile, leverages the global structural information to eliminate local ambiguity. The experimental results demonstrate that our approach greatly improves state-of-the-art on the hardest KGQA benchmarks and has an excellent performance on complex questions.
• Abstract（参考訳）: クエリグラフの構築は、自然言語の質問に答えるナレッジグラフ上で、正確な実行可能なSPARQLを構築することを目的としている。 最近のアプローチはnnベースのクエリグラフのランキングでうまく機能しているが、複雑なsparql構文、ランキングのための巨大な検索スペース、ローカルなあいまいさを伴うノイズの多いクエリグラフという3つの新しい課題がある。 本稿ではこれらの課題に対処する。 当初、一般的な複雑なSPARQL構文を頂点とエッジからなるサブグラフとみなし、それらを適応するための新しい統一クエリグラフ文法を提案する。 次に,問合せグラフを構築するための新しい二段階アプローチを提案する。 第1段階では、最上位の$k$関連インスタンス(エンティティ、関係など)は、候補インスタンスとして単純な戦略によって収集される。 第2段階では、グラフ生成モデルが階層生成を行う。 まず、頂点とエッジが空のスロットであるグラフ構造を概説し、次に適切なインスタンスをスロットに埋め、クエリグラフを完成させる。 このアプローチでは,クエリグラフ全体の耐え難い検索空間を手頃なサブスペースに分解する一方で,グローバル構造情報を活用して局所曖昧性を排除する。 実験結果から,本手法は最も難しいKGQAベンチマークの最先端性を大幅に向上し,複雑な問題に対して優れた性能を示すことが示された。

関連論文リスト

• One Model, Any Conjunctive Query: Graph Neural Networks for Answering Complex Queries over Knowledge Graphs [7.34044245579928]
  我々は,知識グラフ上の任意の共役クエリに対する回答を分類可能なグラフニューラルネットワークモデルであるAnyCQを提案する。 我々は、AnyCQが任意の構造を持つ大規模クエリに一般化できることを示し、既存のアプローチが失敗するサンプルに対する回答を確実に分類し、検索する。
  論文  参考訳（メタデータ） (2024-09-21T00:30:44Z)
• G-Retriever: Retrieval-Augmented Generation for Textual Graph Understanding and Question Answering [61.93058781222079]
  現実のテキストグラフを対象とするフレキシブルな問合せフレームワークを開発した。 一般のテキストグラフに対する最初の検索拡張生成(RAG)手法を提案する。 G-Retrieverは、このタスクをSteiner Tree最適化問題として定式化し、グラフ上でRAGを実行する。
  論文  参考訳（メタデータ） (2024-02-12T13:13:04Z)
• Can Language Models Solve Graph Problems in Natural Language? [51.28850846990929]
  大型言語モデル (LLM) は暗黙的なグラフィカル構造を持つ様々なタスクに採用されている。 自然言語をシミュレーションするグラフベース問題解決のベンチマークであるNLGraphを提案する。
  論文  参考訳（メタデータ） (2023-05-17T08:29:21Z)
• Neural Graph Reasoning: Complex Logical Query Answering Meets Graph Databases [63.96793270418793]
  複雑な論理クエリ応答(CLQA)は、グラフ機械学習の最近登場したタスクである。 ニューラルグラフデータベース(NGDB)の概念を紹介する。 NGDBはNeural Graph StorageとNeural Graph Engineで構成されている。
  論文  参考訳（メタデータ） (2023-03-26T04:03:37Z)
• Subgraph Matching via Query-Conditioned Subgraph Matching Neural Networks and Bi-Level Tree Search [33.9052190473029]
  サブグラフマッチングは、グラフデータベース検索、バイオメディカル分析、ソーシャルグループ検索などにおける中核的な操作である。 本稿では,クエリと対象グラフのマッチング情報を動的に計算する,新しいエンコーダ・デコーダニューラルネットワークアーキテクチャを提案する。 5つの大きな実世界のターゲットグラフの実験により、N-BLSはサブグラフマッチング性能を大幅に改善できることが示された。
  論文  参考訳（メタデータ） (2022-07-21T04:47:21Z)
• Better Query Graph Selection for Knowledge Base Question Answering [2.367061689316429]
  本稿では,知識ベース質問回答(KBQA)の性能向上を目的とした意味解析に基づく新しい手法を提案する。 具体的には、知識ベース(KB)から回答を取得するために、候補セットから最適なクエリグラフを選択する方法に焦点を当てる。
  論文  参考訳（メタデータ） (2022-04-27T01:53:06Z)
• Semantic Structure based Query Graph Prediction for Question Answering over Knowledge Graph [5.5332967798665305]
  本稿では,自然言語質問からクエリグラフを生成することに焦点を当てる。 クエリグラフ生成のための既存のアプローチは、質問の意味構造を無視している。 本研究では,質問の意味的構造を予測する新しい構造BERTを提案する。
  論文  参考訳（メタデータ） (2022-04-15T20:35:00Z)
• Question-Answer Sentence Graph for Joint Modeling Answer Selection [122.29142965960138]
  我々は,質問文,質問文,回答文のペア間のスコアを計算するための最先端(SOTA)モデルを訓練し,統合する。 オンライン推論は、目に見えないクエリのAS2タスクを解決するために実行される。
  論文  参考訳（メタデータ） (2022-02-16T05:59:53Z)
• Reinforcement Learning Based Query Vertex Ordering Model for Subgraph Matching [58.39970828272366]
  グラフマッチングアルゴリズムは、クエリグラフの埋め込みをデータグラフGに列挙する。 マッチング順序は、これらのバックトラックに基づくサブグラフマッチングアルゴリズムの時間効率において重要な役割を果たす。 本稿では,Reinforcement Learning (RL) と Graph Neural Networks (GNN) 技術を適用して,グラフマッチングアルゴリズムの高品質なマッチング順序を生成する。
  論文  参考訳（メタデータ） (2022-01-25T00:10:03Z)
• Learning Query Expansion over the Nearest Neighbor Graph [94.80212602202518]
  グラフクエリ拡張(GQE)が提示され、教師付き方法で学習され、クエリの拡張近傍で集約を実行する。 この技術は既知のベンチマークよりも最先端の結果が得られる。
  論文  参考訳（メタデータ） (2021-12-05T19:48:42Z)
• Graph-augmented Learning to Rank for Querying Large-scale Knowledge Graph [34.774049199809426]
  情報検索に基づく知識グラフ質問応答(KGQA)は,大規模知識グラフから回答を取得して回答することを目的としている。 まず,検索したKSGを,新しいサブグラフ分割アルゴリズムを用いて,より小さなKSGに分割する。 次に、ランク付けモデルから上位のKSGを選択するためのグラフ拡張学習を提案する。
  論文  参考訳（メタデータ） (2021-11-20T08:27:37Z)

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。