論文の概要: Improving Time Sensitivity for Question Answering over Temporal Knowledge Graphs

• arxiv url: http://arxiv.org/abs/2203.00255v1
• Date: Tue, 1 Mar 2022 06:21:14 GMT
• ステータス: 処理完了
• システム内更新日: 2022-03-02 21:32:18.666673
• Title: Improving Time Sensitivity for Question Answering over Temporal Knowledge Graphs
• Title（参考訳）: 時間的知識グラフを用いた質問応答の時間感度向上
• Authors: Chao Shang, Guangtao Wang, Peng Qi, Jing Huang
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 13.906994055281826
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Question answering over temporal knowledge graphs (KGs) efficiently uses facts contained in a temporal KG, which records entity relations and when they occur in time, to answer natural language questions (e.g., "Who was the president of the US before Obama?"). These questions often involve three time-related challenges that previous work fail to adequately address: 1) questions often do not specify exact timestamps of interest (e.g., "Obama" instead of 2000); 2) subtle lexical differences in time relations (e.g., "before" vs "after"); 3) off-the-shelf temporal KG embeddings that previous work builds on ignore the temporal order of timestamps, which is crucial for answering temporal-order related questions. In this paper, we propose a time-sensitive question answering (TSQA) framework to tackle these problems. TSQA features a timestamp estimation module to infer the unwritten timestamp from the question. We also employ a time-sensitive KG encoder to inject ordering information into the temporal KG embeddings that TSQA is based on. With the help of techniques to reduce the search space for potential answers, TSQA significantly outperforms the previous state of the art on a new benchmark for question answering over temporal KGs, especially achieving a 32% (absolute) error reduction on complex questions that require multiple steps of reasoning over facts in the temporal KG.
• Abstract（参考訳）: 時間的知識グラフ(KGs)に対する質問応答は、時間的KGに含まれる事実を効率よく利用し、実体関係を記録し、それらが時間的に発生するとき、自然言語の質問に答える(例:「オバマ前アメリカ合衆国大統領は誰だったのか」)。 これらの質問は、しばしば、以前の作業が適切に対処できない3つの時間関連の課題を含む。 1)質問は、しばしば正確な関心のタイムスタンプを指定しない(例えば、2000年ではなく「オバマ」)。 2)時間関係の微妙な語彙的違い(例えば「前」と「後」) 3)既成の時間的KG埋め込みは,時間的順序に関する質問に答える上で重要なタイムスタンプの時間的順序を無視している。 本稿では,これらの問題に対処するための時間依存性質問応答(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エンコーダをインジェクションする。 TSQAは、潜在的な答えの探索空間を減らす技術によって、時間的KGに対する質問応答のための新しいベンチマークにおいて、特に時間的KGにおける事実に関する複数のステップを必要とする複雑な質問に対する32%の(絶対的な)誤り低減を達成するために、過去の技術状況よりも大幅に優れている。

関連論文リスト

• PAT-Questions: A Self-Updating Benchmark for Present-Anchored Temporal Question-Answering [6.109188517569139]
  PAT-Questionsベンチマークを導入する。 PAT-Questionsの回答は、もし利用可能であれば、ナレッジグラフ上でSPARQLクエリを再実行することで、自動的に更新できる。 我々は、直接的プロンプトと検索強化生成(RAG)を用いて、PAT-Questionsにおける最先端のLLMとSOTA時間的推論モデル(TEMPREASON-T5)を評価した。
  論文  参考訳（メタデータ） (2024-02-16T19:26:09Z)
• 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)
• Frame-Subtitle Self-Supervision for Multi-Modal Video Question Answering [73.11017833431313]
  マルチモーダルなビデオ質問応答は、正しい回答を予測し、その質問に関連する時間的境界をローカライズすることを目的としている。 我々は、QAアノテーションのみを使用する、弱い教師付き質問基盤(WSQG)の設定を考案する。 フレームと字幕の対応をフレーム字幕(FS)に変換し,時間的注意スコアの最適化を支援する。
  論文  参考訳（メタデータ） (2022-09-08T07:20:51Z)
• 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)
• RealTime QA: What's the Answer Right Now? [137.04039209995932]
  本稿では,動的質問応答(QA)プラットフォームであるREALTIME QAを紹介する。 GPT-3 や T5 など,大規模事前学習型言語モデルに基づく強力なベースラインモデルを構築した。 GPT-3は、検索された文書が答えを見つけるのに十分な情報を提供していない場合、時代遅れの回答を返す傾向がある。
  論文  参考訳（メタデータ） (2022-07-27T07:26:01Z)
• 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)
• 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 Dataset for Answering Time-Sensitive Questions [88.95075983560331]
  時間とは、我々の物理的世界において重要な次元である。多くの事実が時間に関して進化することができる。 時間次元を考慮し、既存のQAモデルに時間とともに推論する権限を与えることが重要です。 既存のQAデータセットには、時間に敏感な質問がほとんどないため、モデルの時間的推論能力の診断やベンチマークには適さない。
  論文  参考訳（メタデータ） (2021-08-13T16:42:25Z)
• NExT-QA:Next Phase of Question-Answering to Explaining Temporal Actions [80.60423934589515]
  NExT-QAは、厳密に設計されたビデオ質問回答(VideoQA)ベンチマークです。 因果的行動推論,時間的行動推論,共通場面理解を対象とする複数選択およびオープンエンドQAタスクを構築した。 トップパフォーマンスの手法は浅い場面記述に優れているが、因果的および時間的行動推論に弱い。
  論文  参考訳（メタデータ） (2021-05-18T04:56:46Z)
• TORQUE: A Reading Comprehension Dataset of Temporal Ordering Questions [91.85730323228833]
  TORQUEは3.2kニュース上に構築された新しい英語読解ベンチマークで、時間的関係を問う質問を21kで生成する。 以上の結果から,RoBERTa-largeスニペットはTORQUEの試験セットで51%の精度で一致し,約30%が人体性能に遅れていることがわかった。
  論文  参考訳（メタデータ） (2020-05-01T06:29:56Z)

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。