論文の概要: ReaRev: Adaptive Reasoning for Question Answering over Knowledge Graphs
- arxiv url: http://arxiv.org/abs/2210.13650v1
- Date: Mon, 24 Oct 2022 23:09:52 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-26 14:31:39.495374
- Title: ReaRev: Adaptive Reasoning for Question Answering over Knowledge Graphs
- Title(参考訳): ReaRev: 知識グラフに対する質問応答のための適応型推論
- Authors: Costas Mavromatis, George Karypis
- Abstract要約: 知識グラフ質問回答(KGQA)は、自然言語クエリを使用して知識グラフ(KG)からの回答としてエンティティを検索する。
命令デコーディングと実行の両方に関して、KGQA推論に新しい方法を導入する。
3つのKGQAベンチマークの実験結果は、以前の最先端と比較してReaRevの有効性を示している。
- 参考スコア(独自算出の注目度): 12.592903558338444
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Knowledge Graph Question Answering (KGQA) involves retrieving entities as
answers from a Knowledge Graph (KG) using natural language queries. The
challenge is to learn to reason over question-relevant KG facts that traverse
KG entities and lead to the question answers. To facilitate reasoning, the
question is decoded into instructions, which are dense question representations
used to guide the KG traversals. However, if the derived instructions do not
exactly match the underlying KG information, they may lead to reasoning under
irrelevant context. Our method, termed ReaRev, introduces a new way to KGQA
reasoning with respect to both instruction decoding and execution. To improve
instruction decoding, we perform reasoning in an adaptive manner, where
KG-aware information is used to iteratively update the initial instructions. To
improve instruction execution, we emulate breadth-first search (BFS) with graph
neural networks (GNNs). The BFS strategy treats the instructions as a set and
allows our method to decide on their execution order on the fly. Experimental
results on three KGQA benchmarks demonstrate the ReaRev's effectiveness
compared with previous state-of-the-art, especially when the KG is incomplete
or when we tackle complex questions. Our code is publicly available at
https://github.com/cmavro/ReaRev_KGQA.
- Abstract(参考訳): 知識グラフ質問回答(KGQA)は、自然言語クエリを使用して知識グラフ(KG)からの回答としてエンティティを検索する。
課題は、KGエンティティを横断し、疑問答えにつながる疑問関連KG事実を推論することである。
推論を容易にするために、質問はKGトラバーサルを導くために使用される密度の高い質問表現である命令にデコードされる。
しかし、導出命令が基礎となるkg情報と正確に一致しない場合、無関係な文脈下で推論に繋がる可能性がある。
我々の手法はReaRevと呼ばれ、命令デコーディングと実行の両方に関してKGQA推論に新しい方法を導入する。
命令復号化を改善するため、KG認識情報を用いて初期命令を反復的に更新する適応的な推論を行う。
命令実行を改善するため,グラフニューラルネットワーク(GNN)を用いた広帯域探索(BFS)をエミュレートする。
BFS戦略は命令を集合として扱い、我々の手法が実行順序を決定できる。
3つのKGQAベンチマークの実験結果は、特にKGが不完全である場合や複雑な問題に取り組む場合のReaRevの有効性を示す。
私たちのコードはhttps://github.com/cmavro/rearev_kgqaで公開されています。
関連論文リスト
- FedCQA: Answering Complex Queries on Multi-Source Knowledge Graphs via
Federated Learning [55.02512821257247]
複雑な論理的問合せ応答は知識グラフ(KG)の課題である
近年、KGエンティティを埋め込みベクトルに表現し、KGからの論理的クエリに対する回答を求める手法が提案されている。
マルチソースKGのクエリにどのように答えるかは、まだ不明である。
論文 参考訳(メタデータ) (2024-02-22T14:57:44Z) - 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) - 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) - 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) - 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) - MEKER: Memory Efficient Knowledge Embedding Representation for Link
Prediction and Question Answering [65.62309538202771]
知識グラフ(KG)は、事実を象徴的に構造化した記憶装置である。
KG埋め込みには、実世界の暗黙的な情報を必要とするNLPタスクで使用される簡潔なデータが含まれている。
リンク予測タスクとKGに基づく質問応答においてSOTAに比較可能な性能をもたらすメモリ効率のよいKG埋め込みモデルを提案する。
論文 参考訳(メタデータ) (2022-04-22T10:47:03Z) - Improving Question Answering over Knowledge Graphs Using Graph
Summarization [0.2752817022620644]
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。
論文 参考訳(メタデータ) (2022-03-25T10:57:10Z) - 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) - 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。