論文の概要: BigText-QA: Question Answering over a Large-Scale Hybrid Knowledge Graph

• arxiv url: http://arxiv.org/abs/2212.05798v2
• Date: Thu, 7 Sep 2023 12:22:43 GMT
• ステータス: 処理完了
• システム内更新日: 2023-09-08 18:00:03.839305
• Title: BigText-QA: Question Answering over a Large-Scale Hybrid Knowledge Graph
• Title（参考訳）: BigText-QA: 大規模ハイブリッド知識グラフに関する質問応答
• Authors: Jingjing Xu, Maria Biryukov, Martin Theobald, Vinu Ellampallil Venugopal
• Abstract要約: BigText-QAは構造化知識グラフに基づいて質問に答えることができる。 その結果,BigText-QAはニューラルネットワークベースのQAシステムであるDrQAよりも優れており,グラフベースの教師なしQAシステムであるQUESTと競合する結果が得られた。
• 参考スコア（独自算出の注目度）: 23.739432128095107
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Answering complex questions over textual resources remains a challenge, particularly when dealing with nuanced relationships between multiple entities expressed within natural-language sentences. To this end, curated knowledge bases (KBs) like YAGO, DBpedia, Freebase, and Wikidata have been widely used and gained great acceptance for question-answering (QA) applications in the past decade. While these KBs offer a structured knowledge representation, they lack the contextual diversity found in natural-language sources. To address this limitation, BigText-QA introduces an integrated QA approach, which is able to answer questions based on a more redundant form of a knowledge graph (KG) that organizes both structured and unstructured (i.e., "hybrid") knowledge in a unified graphical representation. Thereby, BigText-QA is able to combine the best of both worlds$\unicode{x2013}$a canonical set of named entities, mapped to a structured background KB (such as YAGO or Wikidata), as well as an open set of textual clauses providing highly diversified relational paraphrases with rich context information. Our experimental results demonstrate that BigText-QA outperforms DrQA, a neural-network-based QA system, and achieves competitive results to QUEST, a graph-based unsupervised QA system.
• Abstract（参考訳）: 特に自然言語文の中で表現された複数のエンティティ間のニュアンス的関係を扱う場合、テキスト的リソースに関する複雑な質問に答えることは課題である。 この目的のために、YAGO、DBpedia、Freebase、Wikidataといったキュレートされた知識ベース(KB)が広く使われ、過去10年間にQAアプリケーションに広く受け入れられてきた。 これらのKBは構造化された知識表現を提供するが、自然言語ソースに見られる文脈的多様性は欠如している。 この制限に対処するために、bigtext-qaは統合qaアプローチを導入し、構造化された知識と構造化されていない知識の両方を統一されたグラフィカル表現で整理する、より冗長なナレッジグラフ(kg)の形式に基づいて質問に答えることができる。 これにより、BigText-QAは、構造化された背景KB(YAGOやWikidataなど)にマッピングされた名前付きエンティティの標準セットである$\unicode{x2013}$aと、リッチなコンテキスト情報を備えた高度に多様化したリレーショナルパラフレーズを提供するオープンな文節のセットを組み合わせることができる。 実験の結果,BigText-QAはニューラルネットワークベースのQAシステムであるDrQAより優れており,グラフベースの教師なしQAシステムであるQUESTと競合する結果が得られた。

関連論文リスト

• DIVKNOWQA: Assessing the Reasoning Ability of LLMs via Open-Domain Question Answering over Knowledge Base and Text [73.68051228972024]
  大きな言語モデル(LLM)は印象的な生成能力を示すが、内部知識に依存すると幻覚に悩まされる。 検索拡張LDMは、外部知識においてLLMを基盤とする潜在的な解決策として出現している。
  論文  参考訳（メタデータ） (2023-10-31T04:37:57Z)
• ChatKBQA: A Generate-then-Retrieve Framework for Knowledge Base Question Answering with Fine-tuned Large Language Models [19.85526116658481]
  本稿では,新規かつ簡易な生成検索KBQAフレームワークであるChatKBQAを紹介する。 実験の結果,ChatKBQAは標準KBQAデータセット上で新たな最先端性能を実現することがわかった。 この研究は、LLMと知識グラフを組み合わせるための新しいパラダイムとして、解釈可能および知識要求型質問応答のパラダイムと見なすこともできる。
  論文  参考訳（メタデータ） (2023-10-13T09:45:14Z)
• Semantic Parsing for Conversational Question Answering over Knowledge Graphs [63.939700311269156]
  本研究では,ユーザの質問にSparqlパースとアノテートし,システム回答が実行結果に対応するデータセットを開発する。 本稿では,2つの意味解析手法を提案し,その課題を強調した。 私たちのデータセットとモデルはhttps://github.com/Edinburgh/SPICE.orgで公開されています。
  論文  参考訳（メタデータ） (2023-01-28T14:45:11Z)
• Knowledge Base Question Answering: A Semantic Parsing Perspective [15.1388686976988]
  知識ベース(KBQA)に対する質問応答の研究は、比較的ゆっくりと進んでいる。 KBQAには,スキーマレベルの複雑性とファクトレベルの複雑性という,2つのユニークな課題があります。 我々は、セマンティックパーシングの文献から、まだ多くのインスピレーションを得ることができると論じている。
  論文  参考訳（メタデータ） (2022-09-12T02:56:29Z)
• QALD-9-plus: A Multilingual Dataset for Question Answering over DBpedia and Wikidata Translated by Native Speakers [68.9964449363406]
  私たちは8つの言語に高品質な質問の翻訳を導入することで、最も人気のあるKGQAベンチマークの1つ、QALD-9を拡張します。 アルメニア語、ウクライナ語、リトアニア語、バシキル語、ベラルーシ語という5つの言語は、これまでにKGQA研究コミュニティで最高の知識について検討されたことがなかった。
  論文  参考訳（メタデータ） (2022-01-31T22:19:55Z)
• Open Domain Question Answering over Virtual Documents: A Unified Approach for Data and Text [62.489652395307914]
  我々は、知識集約型アプリケーションのための構造化知識を符号化する手段として、Data-to-text法、すなわち、オープンドメイン質問応答(QA)を用いる。 具体的には、ウィキペディアとウィキソースの3つのテーブルを付加知識源として使用する、データとテキスト上でのオープンドメインQAのための冗長化-レトリバー・リーダー・フレームワークを提案する。 UDT-QA(Unified Data and Text QA)は,知識インデックスの拡大を効果的に活用できることを示す。
  論文  参考訳（メタデータ） (2021-10-16T00:11:21Z)
• SYGMA: System for Generalizable Modular Question Answering OverKnowledge Bases [57.89642289610301]
  SYGMAは、複数の知識ベースと複数のリアソニングタイプにまたがる汎用化を容易にするモジュラーアプローチである。 本システムの有効性を,DBpediaとWikidataの2つの異なる知識ベースに属するデータセットを用いて評価することで実証する。
  論文  参考訳（メタデータ） (2021-09-28T01:57:56Z)
• UNIQORN: Unified Question Answering over RDF Knowledge Graphs and Natural Language Text [26.59527112409611]
  知識グラフやその他のRDFデータに対する質問応答は大幅に進歩している。 本稿では,RDFデータセットとテキストコーパスを併用した複雑な質問をシームレスに操作する手法を提案する。
  論文  参考訳（メタデータ） (2021-08-19T10:50:52Z)
• Efficient Contextualization using Top-k Operators for Question Answering over Knowledge Graphs [24.520002698010856]
  本研究は,KB対応信号を用いて検索空間の無関係な部分を抽出する効率的なECQAを提案する。 最近の2つのQAベンチマークによる実験では、解答の有無、検索空間のサイズ、ランタイムに関して、最先端のベースラインよりもECQAの方が優れていることが示されている。
  論文  参考訳（メタデータ） (2021-08-19T10:06:14Z)
• Open Question Answering over Tables and Text [55.8412170633547]
  オープンな質問応答(QA)では、質問に対する回答は、質問に対する回答を含む可能性のある文書を検索して分析することによって生成される。 ほとんどのオープンQAシステムは、構造化されていないテキストからのみ情報を取得することを検討している。 我々は,このタスクの性能を評価するために,新しい大規模データセット Open Table-and-Text Question Answering (OTT-QA) を提案する。
  論文  参考訳（メタデータ） (2020-10-20T16:48:14Z)

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。