論文の概要: TempoQR: Temporal Question Reasoning over Knowledge Graphs
- arxiv url: http://arxiv.org/abs/2112.05785v1
- Date: Fri, 10 Dec 2021 23:59:14 GMT
- ステータス: 処理完了
- システム内更新日: 2021-12-18 16:41:22.613463
- Title: TempoQR: Temporal Question Reasoning over Knowledge Graphs
- Title（参考訳）: TempoQR: 知識グラフに関する時間的質問
- Authors: Costas Mavromatis, Prasanna Lakkur Subramanyam, Vassilis N. Ioannidis,
Soji Adeshina, Phillip R. Howard, Tetiana Grinberg, Nagib Hakim, George
Karypis
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 11.054877399064804
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Knowledge Graph Question Answering (KGQA) involves retrieving facts from a
Knowledge Graph (KG) using natural language queries. A KG is a curated set of
facts consisting of entities linked by relations. Certain facts include also
temporal information forming a Temporal KG (TKG). Although many natural
questions involve explicit or implicit time constraints, question answering
(QA) over TKGs has been a relatively unexplored area. Existing solutions are
mainly designed for simple temporal questions that can be answered directly by
a single TKG fact. This paper puts forth a comprehensive embedding-based
framework for answering complex questions over TKGs. Our method termed temporal
question reasoning (TempoQR) exploits TKG embeddings to ground the question to
the specific entities and time scope it refers to. It does so by augmenting the
question embeddings with context, entity and time-aware information by
employing three specialized modules. The first computes a textual
representation of a given question, the second combines it with the entity
embeddings for entities involved in the question, and the third generates
question-specific time embeddings. Finally, a transformer-based encoder learns
to fuse the generated temporal information with the question representation,
which is used for answer predictions. Extensive experiments show that TempoQR
improves accuracy by 25--45 percentage points on complex temporal questions
over state-of-the-art approaches and it generalizes better to unseen question
types.
- Abstract（参考訳）: 知識グラフ質問回答(KGQA)は、自然言語クエリを使用して知識グラフ(KG)から事実を検索する。
KGは関係によってリンクされた実体からなる事実のキュレートされた集合である。
特定の事実には、テンポラルKG(TKG)を形成する時間情報も含まれる。
多くの自然問題には明示的あるいは暗黙的な時間制約が伴うが、TKGに対する質問応答(QA)は比較的未発見の領域である。
既存のソリューションは主に、単一のTKG事実によって直接答えられる単純な時間的質問のために設計されている。
本稿では,TKGに対する複雑な質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。
時間的質問推論(tempoqr)と呼ばれる手法は,tkg埋め込みを利用して質問を特定のエンティティや時間範囲に基礎づける。
3つの特別なモジュールを採用することで、コンテキスト、エンティティ、タイムアウェア情報による質問の埋め込みを強化する。
1つめは与えられた質問のテキスト表現を計算し、2つめは質問に関連するエンティティのエンティティ埋め込みと組み合わせ、3つめは質問固有の時間埋め込みを生成する。
最後に、トランスベースエンコーダは、生成した時間情報を、応答予測に使用される質問表現と融合するように学習する。
広範な実験により、tempoqrは複雑な時間的問題に対して、最先端のアプローチよりも25～45ポイント精度が向上することが示された。
関連論文リスト
- Open Domain Question Answering with Conflicting Contexts [55.739842087655774]
あいまいでオープンなドメインの質問の25%は、Google Searchを使って検索すると、コンフリクトのあるコンテキストにつながります。
我々はアノテータに正しい回答の選択についての説明を依頼する。
論文 参考訳（メタデータ） (2024-10-16T07:24:28Z) - Self-Improvement Programming for Temporal Knowledge Graph Question Answering [31.33908040172437]
時間的知識グラフ質問回答(TKGQA)は、時間的知識グラフ(TKG)に対する時間的意図で質問に答えることを目的としている。
既存のエンドツーエンドの手法は、質問や候補者の回答の埋め込みを学習することで、時間制約を暗黙的にモデル化する。
TKGQA(Prog-TQA)のための新しい自己改善プログラミング手法を提案する。
論文 参考訳（メタデータ） (2024-04-02T08:14:27Z) - 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) - ForecastTKGQuestions: A Benchmark for Temporal Question Answering and
Forecasting over Temporal Knowledge Graphs [28.434829347176233]
時間的知識グラフ(TKGQA)に対する質問応答の関心が高まっている。
TKGQAは時間的知識ベースから関連情報を抽出するために時間的推論技術を必要とする。
本稿では,時間的知識グラフを用いた質問応答の予測という新しい課題を提案する。
論文 参考訳（メタデータ） (2022-08-12T21:02:35Z) - 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) - A Benchmark for Generalizable and Interpretable Temporal Question
Answering over Knowledge Bases [67.33560134350427]
TempQA-WDは時間的推論のためのベンチマークデータセットである。
Wikidataは、最も頻繁にキュレーションされ、公開されている知識ベースである。
論文 参考訳（メタデータ） (2022-01-15T08:49:09Z) - 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) - Complex Temporal Question Answering on Knowledge Graphs [22.996399822102575]
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。
論文 参考訳（メタデータ） (2021-09-18T13:41:43Z) - 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) - Connecting the Dots: A Knowledgeable Path Generator for Commonsense
Question Answering [50.72473345911147]
本稿では、一般的な共通センスQAフレームワークを、知識のあるパスジェネレータで拡張する。
KGの既存のパスを最先端の言語モデルで外挿することで、ジェネレータはテキスト内のエンティティのペアを動的で、潜在的に新しいマルチホップリレーショナルパスに接続することを学びます。
論文 参考訳（メタデータ） (2020-05-02T03:53:21Z)
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。