論文の概要: Question-Answer Sentence Graph for Joint Modeling Answer Selection

• arxiv url: http://arxiv.org/abs/2203.03549v1
• Date: Wed, 16 Feb 2022 05:59:53 GMT
• ステータス: 処理完了
• システム内更新日: 2022-03-13 13:48:40.635808
• Title: Question-Answer Sentence Graph for Joint Modeling Answer Selection
• Title（参考訳）: 解答文選択のための質問応答文グラフ
• Authors: Roshni G. Iyer, Thuy Vu, Alessandro Moschitti, Yizhou Sun
• Abstract要約: 質問に対して、我々のモデルはより正確なAS2を実行するために、小規模で関連するトレーニンググラフを作成します。 質問応答,質問応答,回答応答のペア間のスコアの計算に最先端モデルを訓練し,適用する。 最後に、グラフニューラルネットワークを用いて、AS2タスクを解くための共同学習と推論を行う。
• 参考スコア（独自算出の注目度）: 122.29142965960138
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: This research studies graph-based approaches for Answer Sentence Selection (AS2), an essential component for building retrieval-based Question Answering systems. Given a question, our model creates a small-scale relevant training graph to perform more accurate AS2. The nodes of the graphs are question-answer pairs, where the answers are also sentences. We train and apply state-of-the-art models for computing scores between question-question, question-answer, and answer-answer pairs. We apply thresholding to the relevance scores for creating edges between nodes. Finally, we apply Graph Neural Networks to the obtained graph to perform joint learning and inference for solving the AS2 task. The experiments on two well-known academic benchmarks and a real-world dataset show that our approach consistently outperforms state-of-the-art models.
• Abstract（参考訳）: 本研究は,検索に基づく質問応答システム構築に不可欠な,回答文選択(AS2)に対するグラフベースのアプローチについて検討する。 質問に対して、我々のモデルはより正確なAS2を実行するために、小規模で関連するトレーニンググラフを作成します。 グラフのノードは質問と回答のペアであり、回答も文である。 質問応答,質問応答,回答応答のペア間のスコアの計算に最先端モデルを訓練し,適用する。 ノード間のエッジを作成するための相関スコアにしきい値を適用する。 最後に、得られたグラフにグラフニューラルネットワークを適用し、AS2タスクを解くための共同学習と推論を行う。 2つの有名な学術ベンチマークと実世界のデータセットの実験は、我々のアプローチが常に最先端のモデルより優れていることを示している。

関連論文リスト

• QAGCF: Graph Collaborative Filtering for Q&A Recommendation [58.21387109664593]
  質問と回答(Q&A)プラットフォームは通常、ユーザの知識獲得のニーズを満たすために質問と回答のペアを推奨する。 これにより、ユーザの振る舞いがより複雑になり、Q&Aレコメンデーションの2つの課題が提示される。 グラフニューラルネットワークモデルであるQ&Answer Graph Collaborative Filtering (QAGCF)を導入する。
  論文  参考訳（メタデータ） (2024-06-07T10:52:37Z)
• QUADRo: Dataset and Models for QUestion-Answer Database Retrieval [97.84448420852854]
  質問/回答(q/a)ペアのデータベース(DB)が与えられた場合、同じ質問に対してDBをスキャンすることで、対象の質問に答えることができる。 我々は6.3Mのq/aペアからなる大規模DBを構築し、公開質問を用いて、ニューラルIRとq/aペアリランカに基づく新しいシステムを設計する。 我々は、Bing検索エンジン上に構築されたQAシステムという、Webベースの手法とDBベースのアプローチが競合することを示す。
  論文  参考訳（メタデータ） (2023-03-30T00:42:07Z)
• 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)
• Dynamic Relevance Graph Network for Knowledge-Aware Question Answering [22.06211725256875]
  本研究は,外部知識の源泉となるコモンセンス質問回答の学習と推論の課題について考察する。 我々はDynamic Relevance Graph Network (DRGN)と呼ばれる新しいグラフニューラルネットワークアーキテクチャを提案する。 DRGNは、質問に基づいて与えられたKGサブグラフで動作し、エンティティに回答し、ノード間の関連スコアを使用して新しいエッジを確立する。
  論文  参考訳（メタデータ） (2022-09-20T18:52:05Z)
• 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)
• Bilateral Cross-Modality Graph Matching Attention for Feature Fusion in Visual Question Answering [71.6781118080461]
  本稿では,視覚質問応答(VQA)タスクのためのグラフマッチング注意(GMA)ネットワークを提案する。 まず、画像用のグラフを構築するが、構文情報と埋め込み情報の両方の観点から質問用のグラフを構築する。 次に, 2段グラフエンコーダを用いてモダリティ内関係を探索し, 画像と質問の関係を推定するために, 注目に合う双方向のモダリティグラフを提示する。 実験により、我々のネットワークはGQAデータセットとVQA 2.0データセット上で最先端のパフォーマンスを達成することを示した。
  論文  参考訳（メタデータ） (2021-12-14T10:01:26Z)
• Classification-Regression for Chart Comprehension [16.311371103939205]
  チャート質問応答(CQA)は、チャート理解を評価するために用いられるタスクである。 分類と回帰を共同で学習する新しいモデルを提案する。 私たちのモデルのエッジは、特に語彙外回答の質問に重点を置いています。
  論文  参考訳（メタデータ） (2021-11-29T18:46:06Z)
• Graph-Based Tri-Attention Network for Answer Ranking in CQA [56.42018099917321]
  本稿では,グラフに基づく新しい三者関係ネットワーク,すなわちGTANを提案し,回答ランキングのスコアを生成する。 実世界の3つのCQAデータセットの実験では、GTANは最先端の回答ランキング法よりも大幅に優れていた。
  論文  参考訳（メタデータ） (2021-03-05T10:40:38Z)
• A Hierarchical Reasoning Graph Neural Network for The Automatic Scoring of Answer Transcriptions in Video Job Interviews [14.091472037847499]
  質問応答対の自動評価のための階層型推論グラフニューラルネットワーク(HRGNN)を提案する。 我々は,現在QAセッションの相互作用状態をモデル化するために,意味レベル推論グラフアテンションネットワークを利用する。 最後に,最終予測のための時間的質問応答対を表すゲート再帰単位エンコーダを提案する。
  論文  参考訳（メタデータ） (2020-12-22T12:27:45Z)
• Line Graph Neural Networks for Link Prediction [71.00689542259052]
  実世界の多くのアプリケーションにおいて古典的なグラフ解析問題であるグラフリンク予測タスクについて検討する。 このフォーマリズムでは、リンク予測問題をグラフ分類タスクに変換する。 本稿では,線グラフをグラフ理論に用いて,根本的に異なる新しい経路を求めることを提案する。 特に、線グラフの各ノードは、元のグラフのユニークなエッジに対応するため、元のグラフのリンク予測問題は、グラフ分類タスクではなく、対応する線グラフのノード分類問題として等価に解決できる。
  論文  参考訳（メタデータ） (2020-10-20T05:54:31Z)

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。