論文の概要: Exploiting Hybrid Semantics of Relation Paths for Multi-hop Question Answering Over Knowledge Graphs

• arxiv url: http://arxiv.org/abs/2209.00870v1
• Date: Fri, 2 Sep 2022 08:07:37 GMT
• ステータス: 処理完了
• システム内更新日: 2022-09-05 12:28:30.205618
• Title: Exploiting Hybrid Semantics of Relation Paths for Multi-hop Question Answering Over Knowledge Graphs
• Title（参考訳）: 知識グラフを問うマルチホップ質問に対する関係経路のハイブリッドセマンティクスの探索
• Authors: Zile Qiao, Wei Ye, Tong Zhang, Tong Mo, Weiping Li, Shikun Zhang
• Abstract要約: 本稿では、関係経路のハイブリッドセマンティクスを利用してマルチホップKGQAを改善することを提案する。 関係経路の明示的なテキスト情報と暗黙的なKG構造を,新規な回転・スケールのエンティティリンク予測フレームワークに基づいて統合する。
• 参考スコア（独自算出の注目度）: 31.088325888508137
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Answering natural language questions on knowledge graphs (KGQA) remains a great challenge in terms of understanding complex questions via multi-hop reasoning. Previous efforts usually exploit large-scale entity-related text corpora or knowledge graph (KG) embeddings as auxiliary information to facilitate answer selection. However, the rich semantics implied in off-the-shelf relation paths between entities is far from well explored. This paper proposes improving multi-hop KGQA by exploiting relation paths' hybrid semantics. Specifically, we integrate explicit textual information and implicit KG structural features of relation paths based on a novel rotate-and-scale entity link prediction framework. Extensive experiments on three existing KGQA datasets demonstrate the superiority of our method, especially in multi-hop scenarios. Further investigation confirms our method's systematical coordination between questions and relation paths to identify answer entities.
• Abstract（参考訳）: 知識グラフ(KGQA)に関する自然言語質問への回答は、マルチホップ推論による複雑な質問の理解において大きな課題である。 これまでの取り組みは通常、大規模エンティティ関連のテキストコーパスや知識グラフ(KG)の埋め込みを補助情報として活用し、回答の選択を容易にする。 しかしながら、エンティティ間の既成関係パスに暗示されるリッチなセマンティクスは、十分に研究されていない。 本稿では,関係経路のハイブリッドセマンティクスを利用したマルチホップKGQAを提案する。 具体的には、新しい回転・スケールのエンティティリンク予測フレームワークに基づいて、明示的なテキスト情報と関係パスの暗黙的なKG構造特徴を統合する。 既存の3つのKGQAデータセットに対する大規模な実験は、特にマルチホップシナリオにおいて、我々の手法の優位性を示している。 さらに,質問と関係経路間の体系的協調を検証し,回答を同定した。

関連論文リスト

• Context Matters: Pushing the Boundaries of Open-Ended Answer Generation with Graph-Structured Knowledge Context [4.1229332722825]
  本稿では,知識グラフに基づく拡張と合わせて,グラフ駆動型コンテキスト検索を組み合わせた新しいフレームワークを提案する。 我々は,様々なパラメータサイズを持つ大規模言語モデル(LLM)の実験を行い,知識の基盤化能力を評価し,オープンな質問に対する回答の事実的正確性を決定する。 われわれの方法であるGraphContextGenは、テキストベースの検索システムよりも一貫して優れており、その堅牢性と多くのユースケースへの適応性を実証している。
  論文  参考訳（メタデータ） (2024-01-23T11:25:34Z)
• UniKGQA: Unified Retrieval and Reasoning for Solving Multi-hop Question Answering Over Knowledge Graph [89.98762327725112]
  KGQA(Multi-hop Question Answering over Knowledge Graph)は、自然言語の質問で言及されているトピックエンティティから、複数のホップを持つ回答エンティティを見つけることを目的としている。 我々は、モデルアーキテクチャとパラメータ学習の両方において、検索と推論を統合することで、マルチホップKGQAタスクの新しいアプローチであるUniKGQAを提案する。
  論文  参考訳（メタデータ） (2022-12-02T04:08:09Z)
• BertNet: Harvesting Knowledge Graphs with Arbitrary Relations from Pretrained Language Models [65.51390418485207]
  本稿では,事前学習したLMから任意の関係を持つ大規模KGを抽出する手法を提案する。 関係定義の最小限の入力により、アプローチは膨大な実体対空間を効率的に探索し、多様な正確な知識を抽出する。 我々は、異なるLMから400以上の新しい関係を持つKGを収穫するためのアプローチを展開している。
  論文  参考訳（メタデータ） (2022-06-28T19:46:29Z)
• Path-Enhanced Multi-Relational Question Answering with Knowledge Graph Embeddings [16.21156041758793]
  PKEEQA(Path and Knowledge Embedding-Enhanced Multi-Relational Question Answering Model)を提案する。 PKEEQAは多関係質問に対するKBQAモデルの性能を、経路からある程度派生した説明可能性で改善することを示す。
  論文  参考訳（メタデータ） (2021-10-29T08:37:46Z)
• Improving Embedded Knowledge Graph Multi-hop Question Answering by introducing Relational Chain Reasoning [8.05076085499457]
  知識ベース質問回答(KBQA)は、トピックエンティティと回答の間の推論を識別することで、知識ベース(KB)からのユーザ要求に答える。 KBQA の複素分岐タスクとして、マルチホップ KGQA は構造化された KG に保存された多重ホップ関係鎖の推論を必要とする。
  論文  参考訳（メタデータ） (2021-10-25T06:53:02Z)
• Dynamic Semantic Graph Construction and Reasoning for Explainable Multi-hop Science Question Answering [50.546622625151926]
  マルチホップQAのための説明可能性を得ながら,より有効な事実を活用できる新しいフレームワークを提案する。 a) tt AMR-SG,(a) tt AMR-SG,(a) tt AMR-SG,(a) tt AMR-SG,(c) グラフ畳み込みネットワーク(GCN)を利用した事実レベルの関係モデリング,(c) 推論過程の導出を行う。
  論文  参考訳（メタデータ） (2021-05-25T09:14:55Z)
• Joint Semantics and Data-Driven Path Representation for Knowledge Graph Inference [60.048447849653876]
  我々は,KG埋め込みの枠組みにおける説明可能性と一般化のバランスをとる,新しい共同意味論とデータ駆動経路表現を提案する。 提案手法はリンク予測と経路問合せ応答という2つのタスクのクラスで評価される。
  論文  参考訳（メタデータ） (2020-10-06T10:24:45Z)
• Asking Complex Questions with Multi-hop Answer-focused Reasoning [16.01240703148773]
  複雑で意味のある質問を問うマルチホップ質問生成という新しいタスクを提案する。 そこで本研究では,回答中心のエンティティグラフに基づくマルチホップ応答中心の推論を提案する。
  論文  参考訳（メタデータ） (2020-09-16T00:30:49Z)
• 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)
• Connecting the Dots: A Knowledgeable Path Generator for Commonsense Question Answering [50.72473345911147]
  本稿では、一般的な共通センスQAフレームワークを、知識のあるパスジェネレータで拡張する。 KGの既存のパスを最先端の言語モデルで外挿することで、ジェネレータはテキスト内のエンティティのペアを動的で、潜在的に新しいマルチホップリレーショナルパスに接続することを学びます。
  論文  参考訳（メタデータ） (2020-05-02T03:53:21Z)

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。