論文の概要: Improving Question Answering over Knowledge Graphs Using Graph
Summarization
- arxiv url: http://arxiv.org/abs/2203.13570v1
- Date: Fri, 25 Mar 2022 10:57:10 GMT
- ステータス: 処理完了
- システム内更新日: 2022-03-28 14:12:20.868855
- Title: Improving Question Answering over Knowledge Graphs Using Graph
Summarization
- Title（参考訳）: グラフ要約を用いた知識グラフによる質問応答の改善
- Authors: Sirui Li, Kok Kai Wong, Dengya Zhu, Chun Che Fung
- Abstract要約: キーとなる考え方は、知識グラフの質問やエンティティを低次元の埋め込みとして表現することである。
本稿では,リカレント畳み込みニューラルネットワーク(RCNN)とGCNを用いたグラフ要約手法を提案する。
提案手法は,KGQAでは解答が不確実な数で得られない問題に対処するために用いられる。
- 参考スコア（独自算出の注目度）: 0.2752817022620644
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Question Answering (QA) systems over Knowledge Graphs (KGs) (KGQA)
automatically answer natural language questions using triples contained in a
KG. The key idea is to represent questions and entities of a KG as
low-dimensional embeddings. Previous KGQAs have attempted to represent entities
using Knowledge Graph Embedding (KGE) and Deep Learning (DL) methods. However,
KGEs are too shallow to capture the expressive features and DL methods process
each triple independently. Recently, Graph Convolutional Network (GCN) has
shown to be excellent in providing entity embeddings. However, using GCNs to
KGQAs is inefficient because GCNs treat all relations equally when aggregating
neighbourhoods. Also, a problem could occur when using previous KGQAs: in most
cases, questions often have an uncertain number of answers. To address the
above issues, we propose a graph summarization technique using Recurrent
Convolutional Neural Network (RCNN) and GCN. The combination of GCN and RCNN
ensures that the embeddings are propagated together with the relations relevant
to the question, and thus better answers. The proposed graph summarization
technique can be used to tackle the issue that KGQAs cannot answer questions
with an uncertain number of answers. In this paper, we demonstrated the
proposed technique on the most common type of questions, which is
single-relation questions. Experiments have demonstrated that the proposed
graph summarization technique using RCNN and GCN can provide better results
when compared to the GCN. The proposed graph summarization technique
significantly improves the recall of actual answers when the questions have an
uncertain number of answers.
- Abstract（参考訳）: 知識グラフ(KG)上の質問回答システム(QA)は、KGに含まれる3つのトリプルを使って、自然言語の質問に自動的に答える。
鍵となるアイデアは、kg の質問や実体を低次元埋め込みとして表現することである。
従来のKGQAは知識グラフ埋め込み(KGE)とディープラーニング(DL)メソッドを使ってエンティティを表現しようとした。
しかし、KGEは表現的特徴を捉えるには浅すぎ、DLメソッドは独立して3つの処理を行う。
最近、Graph Convolutional Network (GCN) はエンティティの埋め込みに優れていた。
しかし、gcn を kgqas に使用するのは非効率であり、gcn は近隣を集約する際に全ての関係を等しく扱う。
また、以前のKGQAを使用すると問題が発生する可能性がある:ほとんどの場合、質問には不確実な数の回答がある。
上記の問題に対処するため,リカレント畳み込みニューラルネットワーク(RCNN)とGCNを用いたグラフ要約手法を提案する。
GCNとRCNNの組み合わせにより、埋め込みは問題に関連する関係とともに伝播し、より良い回答が得られる。
提案するグラフ要約手法は, kgqaが不確定な回答数で質問に答えられないという問題に対処できる。
本稿では,最も一般的な質問タイプである単一関連質問に対して,提案手法を実証した。
RCNN と GCN を用いたグラフ要約手法により,GCN と比較してよい結果が得られることを示した。
提案手法は,質問が不確実な回答数を持つ場合の実際の回答のリコールを大幅に改善する。
関連論文リスト
- One Model, Any Conjunctive Query: Graph Neural Networks for Answering Complex Queries over Knowledge Graphs [7.34044245579928]
我々は,知識グラフ上の任意の共役クエリに対する回答を分類可能なグラフニューラルネットワークモデルであるAnyCQを提案する。
我々は、AnyCQが任意の構造を持つ大規模クエリに一般化できることを示し、既存のアプローチが失敗するサンプルに対する回答を確実に分類し、検索する。
論文 参考訳（メタデータ） (2024-09-21T00:30:44Z) - 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) - GNN2R: Weakly-Supervised Rationale-Providing Question Answering over
Knowledge Graphs [13.496565392976292]
本稿では,グラフニューラルネットワークを用いた2段階推論モデル(GNN2R)を提案する。
GNN2Rは、最終回答の根拠として最終回答と推論部分グラフの両方を、弱い監督力で効率的に提供することができる。
論文 参考訳（メタデータ） (2023-12-04T19:58:07Z) - Graph Reasoning for Question Answering with Triplet Retrieval [33.454090126152714]
知識グラフ(KGs)から最も関連性の高い三つ子を抽出する簡便で効果的な方法を提案する。
我々の手法は最先端の精度を4.6%まで上回ることができる。
論文 参考訳（メタデータ） (2023-05-30T04:46:28Z) - Logical Message Passing Networks with One-hop Inference on Atomic
Formulas [57.47174363091452]
本稿では,ニューラルネットワーク演算子から知識グラフの埋め込みを分解する,複雑な問合せ応答のためのフレームワークを提案する。
クエリグラフの上に、局所的な原子式上のワンホップ推論とグローバル論理的推論を結びつける論理メッセージパッシングニューラルネットワーク(LMPNN)を提案する。
我々のアプローチは、最先端のニューラルCQAモデルをもたらす。
論文 参考訳（メタデータ） (2023-01-21T02:34:06Z) - 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) - Explainable Sparse Knowledge Graph Completion via High-order Graph
Reasoning Network [111.67744771462873]
本稿では,スパース知識グラフ(KG)のための新しい説明可能なモデルを提案する。
高次推論をグラフ畳み込みネットワーク、すなわちHoGRNに結合する。
情報不足を緩和する一般化能力を向上させるだけでなく、解釈可能性も向上する。
論文 参考訳（メタデータ） (2022-07-14T10:16:56Z) - QAGCN: Answering Multi-Relation Questions via Single-Step Implicit Reasoning over Knowledge Graphs [12.354648004427824]
マルチリレーション質問応答(QA)は難しい課題である。
KGに対する明示的な多段階推論を持つ最近の手法はこの課題で顕著に用いられている。
マルチリレーショナルQAは、エンド・ツー・エンドのシングルステップの暗黙の推論によって達成できると論じる。
論文 参考訳（メタデータ） (2022-06-03T21:01:48Z) - QA-GNN: Reasoning with Language Models and Knowledge Graphs for Question
Answering [122.84513233992422]
学習済み言語モデル(LM)と知識グラフ(KG)の知識を用いて質問に答える問題に対処する新しいモデルであるQA-GNNを提案する。
既存のLMとLM+KGモデルに対する改善と、解釈可能で構造化された推論を行う能力を示しています。
論文 参考訳（メタデータ） (2021-04-13T17:32:51Z) - 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) - 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。