論文の概要: Semantic Structure based Query Graph Prediction for Question Answering over Knowledge Graph

• arxiv url: http://arxiv.org/abs/2204.10194v1
• Date: Fri, 15 Apr 2022 20:35:00 GMT
• ステータス: 処理完了
• システム内更新日: 2022-04-24 15:28:16.096912
• Title: Semantic Structure based Query Graph Prediction for Question Answering over Knowledge Graph
• Title（参考訳）: 知識グラフを用いた質問応答のための意味構造に基づくクエリグラフ予測
• Authors: Mingchen Li and Jonathan Shihao Ji
• Abstract要約: 本稿では,自然言語質問からクエリグラフを生成することに焦点を当てる。 クエリグラフ生成のための既存のアプローチは、質問の意味構造を無視している。 本研究では,質問の意味的構造を予測する新しい構造BERTを提案する。
• 参考スコア（独自算出の注目度）: 5.5332967798665305
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Building query graphs from natural language questions is an important step in complex question answering over knowledge graph (Complex KGQA). In general, a question can be correctly answered if its query graph is built correctly and the right answer is then retrieved by issuing the query graph against the KG. Therefore, this paper focuses on query graph generation from natural language questions. Existing approaches for query graph generation ignore the semantic structure of a question, resulting in a large number of noisy query graph candidates that undermine prediction accuracies. In this paper, we define six semantic structures from common questions in KGQA and develop a novel Structure-BERT to predict the semantic structure of a question. By doing so, we can first filter out noisy candidate query graphs by the predicted semantic structures, and then rank the remaining candidates with a BERT-based ranking model. Extensive experiments on two popular benchmarks MetaQA and WebQuestionsSP (WSP) demonstrate the effectiveness of our method as compared to state-of-the-arts.
• Abstract（参考訳）: 自然言語の質問からクエリグラフを構築することは、知識グラフ(複雑なKGQA)に答える複雑な質問の重要なステップである。 一般に、クエリグラフが正しく構築され、クエリグラフをkgに対して発行することによって正しい回答が検索された場合、質問は正しく答えられる。 そこで本稿では,自然言語からの問合せグラフ生成に注目する。 既存のクエリグラフ生成のアプローチでは、質問の意味構造を無視し、多くのノイズの多いクエリグラフ候補が予測精度を損なう。 本稿では,KGQAにおける共通質問から6つの意味構造を定義し,質問の意味構造を予測する新しい構造-BERTを開発する。 これにより、まず予測されたセマンティック構造によりノイズの多いクエリグラフをフィルタリングし、残りの候補をBERTベースのランキングモデルでランク付けする。 MetaQA と WebQuestionsSP (WSP) の2つの人気のあるベンチマークに対する大規模な実験は、我々の手法が最先端技術と比較して有効であることを実証している。

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)
• G-Retriever: Retrieval-Augmented Generation for Textual Graph Understanding and Question Answering [61.93058781222079]
  現実のテキストグラフを対象とするフレキシブルな問合せフレームワークを開発した。 一般のテキストグラフに対する最初の検索拡張生成(RAG)手法を提案する。 G-Retrieverは、このタスクをSteiner Tree最適化問題として定式化し、グラフ上でRAGを実行する。
  論文  参考訳（メタデータ） (2024-02-12T13:13:04Z)
• 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)
• Neural Graph Reasoning: Complex Logical Query Answering Meets Graph Databases [63.96793270418793]
  複雑な論理クエリ応答(CLQA)は、グラフ機械学習の最近登場したタスクである。 ニューラルグラフデータベース(NGDB)の概念を紹介する。 NGDBはNeural Graph StorageとNeural Graph Engineで構成されている。
  論文  参考訳（メタデータ） (2023-03-26T04:03:37Z)
• 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)
• Question-Answer Sentence Graph for Joint Modeling Answer Selection [122.29142965960138]
  我々は,質問文,質問文,回答文のペア間のスコアを計算するための最先端(SOTA)モデルを訓練し,統合する。 オンライン推論は、目に見えないクエリのAS2タスクを解決するために実行される。
  論文  参考訳（メタデータ） (2022-02-16T05:59:53Z)
• Outlining and Filling: Hierarchical Query Graph Generation for Answering Complex Questions over Knowledge Graph [16.26384829957165]
  クエリグラフを構築するための新しい2段階のアプローチを提案する。 最初の段階では、上位$kの関連インスタンスは単純な戦略で収集される。 第2段階では、グラフ生成モデルが階層生成を行う。
  論文  参考訳（メタデータ） (2021-11-01T07:08:46Z)
• ExplaGraphs: An Explanation Graph Generation Task for Structured Commonsense Reasoning [65.15423587105472]
  スタンス予測のための説明グラフ生成の新しい生成および構造化コモンセンスリゾニングタスク(および関連するデータセット)を紹介します。 具体的には、信念と議論が与えられた場合、モデルは、議論が信念を支持しているかどうかを予測し、予測されたスタンスに対する非自明で完全で曖昧な説明として機能する常識強化グラフを生成する必要がある。 グラフの83%は、様々な構造と推論深度を持つ外部のコモンセンスノードを含んでいる。
  論文  参考訳（メタデータ） (2021-04-15T17:51:36Z)
• Answering Complex Queries in Knowledge Graphs with Bidirectional Sequence Encoders [22.63481666560029]
  本稿では,双方向アテンション機構に基づくモデルで共役クエリを埋め込む手法であるBi-Directional Query Embedding (BIQE)を提案する。 本稿では,BIQEがアートベースラインを著しく上回ることを示す,結合クエリの解答を予測するための新しいデータセットを提案する。
  論文  参考訳（メタデータ） (2020-04-06T12:17:57Z)
• Iterative Context-Aware Graph Inference for Visual Dialog [126.016187323249]
  本稿では,新しいコンテキスト認識グラフ(CAG)ニューラルネットワークを提案する。 グラフの各ノードは、オブジェクトベース(視覚)と履歴関連(テキスト)コンテキスト表現の両方を含む、共同意味機能に対応している。
  論文  参考訳（メタデータ） (2020-04-05T13:09:37Z)

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。