論文の概要: Graph-augmented Learning to Rank for Querying Large-scale Knowledge Graph

• arxiv url: http://arxiv.org/abs/2111.10541v1
• Date: Sat, 20 Nov 2021 08:27:37 GMT
• ステータス: 処理完了
• システム内更新日: 2021-11-23 15:27:48.637715
• Title: Graph-augmented Learning to Rank for Querying Large-scale Knowledge Graph
• Title（参考訳）: 大規模知識グラフ検索のためのグラフ強化学習
• Authors: Hanning Gao, Lingfei Wu, Po Hu, Zhihua Wei, Fangli Xu and Bo Long
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 34.774049199809426
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Knowledge graph question answering (i.e., KGQA) based on information retrieval aims to answer a question by retrieving answer from a large-scale knowledge graph. Most existing methods first roughly retrieve the knowledge subgraphs (KSG) that may contain candidate answer, and then search for the exact answer in the subgraph. However, the coarsely retrieved KSG may contain thousands of candidate nodes since the knowledge graph involved in querying is often of large scale. To tackle this problem, we first propose to partition the retrieved KSG to several smaller sub-KSGs via a new subgraph partition algorithm and then present a graph-augmented learning to rank model to select the top-ranked sub-KSGs from them. Our proposed model combines a novel subgraph matching networks to capture global interactions in both question and subgraphs and an Enhanced Bilateral Multi-Perspective Matching model to capture local interactions. Finally, we apply an answer selection model on the full KSG and the top-ranked sub-KSGs respectively to validate the effectiveness of our proposed graph-augmented learning to rank method. The experimental results on multiple benchmark datasets have demonstrated the effectiveness of our approach.
• Abstract（参考訳）: 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。 既存の手法の多くは、まず候補回答を含む知識サブグラフ(ksg)を大まかに取得し、それからサブグラフの正確な回答を検索する。 しかしながら、粗い検索されたKSGは、クエリに関わる知識グラフが大規模であることが多いため、数千の候補ノードを含む可能性がある。 この問題に対処するために,我々はまず,検索したKSGを,新しいサブグラフ分割アルゴリズムによって複数の小さなサブKSGに分割し,グラフ拡張学習をランキングモデルに提示し,上位のサブKSGを選択する。 提案モデルでは,新たなサブグラフマッチングネットワークを用いて,問合せとサブグラフの双方のグローバルな相互作用を捉える。 最後に,提案手法の有効性を検証するために,全KSGと上位KSGに回答選択モデルを適用した。 複数のベンチマークデータセットの実験結果から,本手法の有効性が示された。

関連論文リスト

• 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)
• PipeNet: Question Answering with Semantic Pruning over Knowledge Graphs [56.5262495514563]
  本稿では,雑音の多い計算ノードに対して,グラウンドング・プルーニング・レゾニング・パイプラインを提案する。 また,グラフアテンションネットワーク(GAT)をベースとしたサブグラフデータに基づくモジュールを提案する。
  論文  参考訳（メタデータ） (2024-01-31T01:37:33Z)
• Graph Attention with Hierarchies for Multi-hop Question Answering [19.398300844233837]
  本稿では,HotpotQAに対するSOTA Graph Neural Network(GNN)モデルの拡張について述べる。 HotpotQAの実験は、提案された修正の効率を実証している。
  論文  参考訳（メタデータ） (2023-01-27T15:49:50Z)
• 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)
• 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)
• 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)
• Inverse Graph Identification: Can We Identify Node Labels Given Graph Labels? [89.13567439679709]
  グラフ識別(GI)は、グラフ学習において長い間研究されており、特定の応用において不可欠である。 本稿では,逆グラフ識別(Inverse Graph Identification, IGI)と呼ばれる新しい問題を定義する。 本稿では,グラフアテンションネットワーク(GAT)を用いたノードレベルのメッセージパッシング処理を,GIのプロトコルの下でシンプルかつ効果的に行う方法を提案する。
  論文  参考訳（メタデータ） (2020-07-12T12:06:17Z)
• 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。