論文の概要: Targeted Extraction of Temporal Facts from Textual Resources for
Improved Temporal Question Answering over Knowledge Bases
- arxiv url: http://arxiv.org/abs/2203.11054v1
- Date: Mon, 21 Mar 2022 15:26:35 GMT
- ステータス: 処理完了
- システム内更新日: 2022-03-22 14:30:19.669147
- Title: Targeted Extraction of Temporal Facts from Textual Resources for
Improved Temporal Question Answering over Knowledge Bases
- Title(参考訳): 知識ベース上での時間的質問応答改善のためのテキスト資源からの時間的事実の抽出
- Authors: Nithish Kannen, Udit Sharma, Sumit Neelam, Dinesh Khandelwal, Shajith
Ikbal, Hima Karanam, L Venkata Subramaniam
- Abstract要約: 知識ベース質問回答システム(KBQA)は、知識ベース(KB)から取得した関連事実を推論することで、複雑な自然言語質問に答えることを目的としている。
これらのシステムで直面する大きな課題の1つは、不完全なKBとエンティティ/リレーショナルリンクエラーによって、関連するすべての事実を検索できないことである。
本稿では,KBから時間的事実を取り出すのに失敗した場合にKBQAを支援するために,対象の時間的事実抽出技術を用いる手法を提案する。
- 参考スコア(独自算出の注目度): 21.108609901224572
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Knowledge Base Question Answering (KBQA) systems have the goal of answering
complex natural language questions by reasoning over relevant facts retrieved
from Knowledge Bases (KB). One of the major challenges faced by these systems
is their inability to retrieve all relevant facts due to factors such as
incomplete KB and entity/relation linking errors. In this paper, we address
this particular challenge for systems handling a specific category of questions
called temporal questions, where answer derivation involve reasoning over facts
asserting point/intervals of time for various events. We propose a novel
approach where a targeted temporal fact extraction technique is used to assist
KBQA whenever it fails to retrieve temporal facts from the KB. We use
$\lambda$-expressions of the questions to logically represent the component
facts and the reasoning steps needed to derive the answer. This allows us to
spot those facts that failed to get retrieved from the KB and generate textual
queries to extract them from the textual resources in an open-domain question
answering fashion. We evaluated our approach on a benchmark temporal question
answering dataset considering Wikidata and Wikipedia respectively as the KB and
textual resource. Experimental results show a significant $\sim$30\% relative
improvement in answer accuracy, demonstrating the effectiveness of our
approach.
- Abstract(参考訳): Knowledge Base Question Answering (KBQA) システムは、知識ベース (KB) から取得した関連事実を推論することで、複雑な自然言語質問に答えることを目的としている。
これらのシステムで直面する大きな課題の1つは、不完全なKBやエンティティ/リレーショナルリンクエラーなどの要因により、関連するすべての事実を検索できないことである。
本稿では,時間的質問と呼ばれる質問の特定のカテゴリを扱うシステムにおいて,様々な事象のポイント/インターバルを主張する事実を推論する解の導出を行うシステムにおいて,この課題に対処する。
そこで本研究では, kbから時間的事実を抽出できない場合, 目標時間的事実抽出手法を用いてkbqaを支援する新しい手法を提案する。
質問の$\lambda$-presentionsを使って、コンポーネントの事実と答えを導き出すために必要な推論ステップを論理的に表現します。
これにより、kbから取得できなかった事実を見つけ出し、テキストクエリを生成して、オープンドメインの質問応答方式でテキストリソースからそれらを抽出することができます。
我々は,wikidata と wikipedia をそれぞれ kb とテキスト資源として考慮した,ベンチマーク時事質問応答データセットに対するアプローチを評価した。
実験結果から, 回答精度の相対的改善は有意な$\sim$30\%であり, 提案手法の有効性が示された。
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) - Question Answering in Natural Language: the Special Case of Temporal
Expressions [0.0]
本研究の目的は,1段落内の時間的質問に対する回答を見つけるために,一般的な質問応答や回答抽出に使用される一般的なアプローチを活用することである。
モデルをトレーニングするために、SQuADにインスパイアされた新しいデータセットを提案する。
本評価は,パターンマッチングを訓練した深層学習モデルにおいて,時間的質問応答に適応できることを示す。
論文 参考訳(メタデータ) (2023-11-23T16:26:24Z) - Open-Set Knowledge-Based Visual Question Answering with Inference Paths [79.55742631375063]
知識に基づく視覚的質問回答(KB-VQA)の目的は、外部知識ベースの助けを借りて質問に対する正しい回答を提供することである。
KB-VQA, Graph pATH ranker (GATHER for brevity) の新しいレトリバーランカパラダイムを提案する。
具体的には、グラフの構築、プルーニング、パスレベルのランク付けが含まれており、正確な回答を検索するだけでなく、推論パスを提供して推論プロセスを説明する。
論文 参考訳(メタデータ) (2023-10-12T09:12:50Z) - Do I have the Knowledge to Answer? Investigating Answerability of
Knowledge Base Questions [25.13991044303459]
GrailQAbilityは、未解決のKBQAデータセットである。
3つの最先端KBQAモデルを用いて実験したところ、3つのモデル全てが性能低下に悩まされていることがわかった。
このことはKBQAシステムを解答不能に堅牢にするためのさらなる研究の必要性を浮き彫りにしている。
論文 参考訳(メタデータ) (2022-12-20T12:00:26Z) - DecAF: Joint Decoding of Answers and Logical Forms for Question
Answering over Knowledge Bases [81.19499764899359]
本稿では,論理形式と直解の両方を共同で生成する新しいフレームワークDecAFを提案する。
DecAFはWebQSP、FreebaseQA、GrailQAベンチマークで新しい最先端の精度を実現している。
論文 参考訳(メタデータ) (2022-09-30T19:51:52Z) - Asking the Right Questions in Low Resource Template Extraction [37.77304148934836]
TEシステムのエンドユーザがこれらの質問を設計できるかどうか、NLP実践者がそのプロセスに参加することが有益かどうかを問う。
本稿では,TEをプロンプトで実行するための新しいモデルを提案する。
論文 参考訳(メタデータ) (2022-05-25T10:39:09Z) - 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) - 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) - 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) - Faithful Embeddings for Knowledge Base Queries [97.5904298152163]
理想的知識ベース(KB)の帰納的閉包は、KBが答えられる論理的クエリを正確に含んでいる。
実際にはKBは不完全かつ過剰な仕様であり、現実の答えを持つクエリには答えられない。
この新たなQEモジュールをニューラルな質問応答システムに挿入すると、最先端技術よりも大幅に改善されることを示す。
論文 参考訳(メタデータ) (2020-04-07T19:25:16Z)
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。