論文の概要: Answering Numerical Reasoning Questions in Table-Text Hybrid Contents
with Graph-based Encoder and Tree-based Decoder
- arxiv url: http://arxiv.org/abs/2209.07692v1
- Date: Fri, 16 Sep 2022 03:15:12 GMT
- ステータス: 処理完了
- システム内更新日: 2022-09-19 12:23:22.073440
- Title: Answering Numerical Reasoning Questions in Table-Text Hybrid Contents
with Graph-based Encoder and Tree-based Decoder
- Title（参考訳）: グラフベースエンコーダとツリーベースデコーダを用いたテーブルテキストハイブリッドコンテンツの数値推論問題への回答
- Authors: Fangyu Lei, Shizhu He, Xiang Li, Jun Zhao, Kang Liu
- Abstract要約: 本稿ではtextbfRelational textbfGraph 拡張 textbfHybrid table-texttextbfNumerical reasoning model with textbfRegHNT を提案する。
表文ハイブリッドコンテンツに対する数値質問応答を表現木生成タスクとしてモデル化し,表文ハイブリッドQAベンチマーク(TAT-QA)で検証した。
- 参考スコア（独自算出の注目度）: 19.429216786198577
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: In the real-world question answering scenarios, hybrid form combining both
tabular and textual contents has attracted more and more attention, among which
numerical reasoning problem is one of the most typical and challenging
problems. Existing methods usually adopt encoder-decoder framework to represent
hybrid contents and generate answers. However, it can not capture the rich
relationship among numerical value, table schema, and text information on the
encoder side. The decoder uses a simple predefined operator classifier which is
not flexible enough to handle numerical reasoning processes with diverse
expressions. To address these problems, this paper proposes a
\textbf{Re}lational \textbf{G}raph enhanced \textbf{H}ybrid table-text
\textbf{N}umerical reasoning model with \textbf{T}ree decoder
(\textbf{RegHNT}). It models the numerical question answering over table-text
hybrid contents as an expression tree generation task. Moreover, we propose a
novel relational graph modeling method, which models alignment between
questions, tables, and paragraphs. We validated our model on the publicly
available table-text hybrid QA benchmark (TAT-QA). The proposed RegHNT
significantly outperform the baseline model and achieve state-of-the-art
results\footnote{We openly released the source code and data
at~\url{https://github.com/lfy79001/RegHNT}}~(2022-05-05).
- Abstract（参考訳）: 現実の質問応答シナリオでは、表とテキストのコンテンツを組み合わせたハイブリッド形式がますます注目され、数値推論問題は最も典型的で困難な問題の1つとなっている。
既存の手法は通常、エンコーダ・デコーダ・フレームワークを採用し、ハイブリッドコンテンツの表現と回答を生成する。
しかし、エンコーダ側では数値値、テーブルスキーマ、テキスト情報との間の豊富な関係を捉えることはできない。
デコーダは単純な事前定義された演算子分類器を使用しており、様々な式で数値推論処理を扱うのに十分な柔軟性がない。
これらの問題に対処するため,本稿では, \textbf{Re}lational \textbf{G}raph enhanced \textbf{H}ybrid table-text \textbf{N}umerical reasoning model with \textbf{T}ree decoder (\textbf{RegHNT})を提案する。
式木生成タスクとして表-テキストハイブリッドコンテンツ上での数値質問応答をモデル化する。
さらに,質問,表,段落間のアライメントをモデル化する新しい関係グラフモデリング手法を提案する。
我々は,テーブルテキストハイブリッドQAベンチマーク(TAT-QA)で本モデルを検証した。
提案されたreghntは、ベースラインモデルを大幅に上回り、最新結果を達成した。footnote{我々は、ソースコードとデータをオープンソースでリリースした。
関連論文リスト
- Relation Rectification in Diffusion Model [64.84686527988809]
本稿では,最初に生成できない関係を正確に表現するためにモデルを洗練することを目的とした,リレーション・リクティフィケーション(Relation Rectification)と呼ばれる新しいタスクを紹介する。
異種グラフ畳み込みネットワーク(HGCN)を利用した革新的な解を提案する。
軽量HGCNは、テキストエンコーダによって生成されたテキスト埋め込みを調整し、埋め込み空間におけるテキスト関係の正確な反映を保証する。
論文 参考訳（メタデータ） (2024-03-29T15:54:36Z) - An Autoregressive Text-to-Graph Framework for Joint Entity and Relation
Extraction [4.194768796374315]
条件付きシーケンス生成問題としてフレーミングすることで、非構造化テキストから結合エンティティと関係抽出を行う新しい手法を提案する。
ノードがテキストスパンを表し、エッジが関係トリプレットを表す線形化グラフを生成する。
本手法では,スパンと関係型の動的語彙にポインティング機構を付加したトランスフォーマーエンコーダデコーダアーキテクチャを用いる。
論文 参考訳（メタデータ） (2024-01-02T18:32:14Z) - Answer Candidate Type Selection: Text-to-Text Language Model for Closed
Book Question Answering Meets Knowledge Graphs [62.20354845651949]
本稿では,この問題を解決するために,事前学習されたテキスト間QAシステム上で機能する新しいアプローチを提案する。
提案手法は,Wikidataの"instance_of"プロパティの型に基づいて,生成した候補のフィルタリングと再ランク付けを行う。
論文 参考訳（メタデータ） (2023-10-10T20:49:43Z) - Multi-View Graph Representation Learning for Answering Hybrid Numerical
Reasoning Question [13.321467396155116]
本稿では,粒度間の関係を考慮し,複数の視点から関係を捉えるための多視点グラフ(MVG)を提案する。
我々は,テーブル・テキスト・ハイブリッドQAベンチマーク(TAT-QA)で本モデルを検証し,最先端のモデルより優れていることを示す。
論文 参考訳（メタデータ） (2023-05-05T12:00:58Z) - Mixed-modality Representation Learning and Pre-training for Joint
Table-and-Text Retrieval in OpenQA [85.17249272519626]
最適化された OpenQA Table-Text Retriever (OTTeR) を提案する。
検索中心の混合モード合成事前学習を行う。
OTTeRはOTT-QAデータセット上でのテーブル・アンド・テキスト検索の性能を大幅に改善する。
論文 参考訳（メタデータ） (2022-10-11T07:04:39Z) - Text-to-Table: A New Way of Information Extraction [8.326657025342042]
テキスト・ツー・テーブル(text-to-table)と呼ばれる情報抽出(IE)の新たな問題設定について検討する。
テキスト・ツー・テーブルでは、テキストが与えられたら、そのテキストの主内容を表すテーブルやいくつかのテーブルを作成する。
実験では,既存のテーブル・ツー・テキスト・データセットを4つ使用しています。
論文 参考訳（メタデータ） (2021-09-06T19:35:46Z) - Multi-modal Retrieval of Tables and Texts Using Tri-encoder Models [2.5621280373733604]
いくつかの質問はテキストだけでは答えられませんが、テーブルに格納された情報が必要です。
本稿では,テキスト,テーブル,質問を1つのベクトル空間に共同で符号化することで,質問に関連するテキストとテーブルを検索する手法を提案する。
新たに作成されたマルチモーダルデータセットをコミュニティにリリースし、トレーニングや評価に使用できるようにします。
論文 参考訳（メタデータ） (2021-08-09T14:02:00Z) - TAT-QA: A Question Answering Benchmark on a Hybrid of Tabular and
Textual Content in Finance [71.76018597965378]
TAT-QAと呼ばれるタブラデータとテクスチャデータの両方を含む新しい大規模な質問応答データセットを構築します。
本稿では,テーブルとテキストの両方を推論可能な新しいQAモデルであるTAGOPを提案する。
論文 参考訳（メタデータ） (2021-05-17T06:12:06Z) - Rethinking Positional Encoding in Language Pre-training [111.2320727291926]
絶対的な位置符号化では、位置埋め込みと単語埋め込みに適用される付加操作が混合相関をもたらすことを示す。
我々はtextbfUntied textPositional textbfEncoding (T) を用いた textbfTransformer という新しい位置符号化手法を提案する。
論文 参考訳（メタデータ） (2020-06-28T13:11:02Z) - Semantic Graphs for Generating Deep Questions [98.5161888878238]
本稿では、まず、入力文書のセマンティックレベルグラフを構築し、次にアテンションベースのGGNN(Att-GGNN)を導入してセマンティックグラフを符号化する新しいフレームワークを提案する。
HotpotQAのDeep-question中心のデータセットでは、複数の事実の推論を必要とする問題よりもパフォーマンスが大幅に向上し、最先端のパフォーマンスを実現しています。
論文 参考訳（メタデータ） (2020-04-27T10:52:52Z)
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。